随着社会信息化的深入,大量数据产生并积累,数据越来越呈现出数量巨大、结构复杂、类型众多、富有价值等特点。在数据中发现有用的知识,挖掘有价值的信息一直是传统数据挖掘技术的主要工作。而频繁项集挖掘则是其中非常重要一个部分。面对海量数据,常规的硬件架构和软件环境已经难以满足人们的要求。针对这一问题,并行化技术越来越被重视和研究。传统的频繁项集挖掘算法中主要包括Apriori算法、Eclat算法和FP-growth算法。学术界也有许多对于这三种经典算法的改进研究。近年来,在大数据时代的环境下,如何将传统频繁项集算法并行化越来越成为研究热点。本文主要针对频繁项集挖掘算法中的FP-growth算法的并行化问题进行研究。分别探讨了两种基于GPU并行的FP-growth改进算法。首先,本文对频繁项集挖掘算法的并行化研究进行了探讨,再对本文中用的重要并行化技术GPU硬件架构和CUDA软件编程环境做了简单介绍。然后,为适应CUDA GPU并行计算框架,分析FP-growth算法挖掘频繁项集的主要过程,对算法中的建树和递归挖掘过程进行并行化改进。FPNR-growth算法将FP-tree的信息存储到FP-array中,FPBR-growth算法将FP-tree映射为二叉基数树BR-tree。而在FPBR-growth算法递归挖掘频繁项集的过程中,尝试采用TD-FP-growth算法思想,运用CUDA的动态并行技术优化递归效率。在算法的并行化设计与实现过程中,利用GPU与CPU的协同工作,各自发挥自身优势,充分利用GPU高效地并行计算能力,提升算法的性能。最后,在实验测试阶段,本文选取了四种数据特征不同的数据集对两种改进算法进行性能测试,并将实验结果与传统的串行FP-growth算法进行比较。实验表明,基于GPU并行的FP-growth算法在算法性能上得到了较大的提升。