大数据时代,有数据就等于有信息和知识,但必须对数据进行解释、加工、抽象和概括才能得到信息和知识,这个过程就是数据挖掘,从大量的数据中提取信息、发现新的知识就是数据挖掘的基本任务。关联规则作为数据挖掘的一种发现知识的模式,主要用来发现事务与事务之间的关系。关联规则具有非常重要的意义,有助于发现事务数据库中不同事物之间的联系,找出用户的行为模式,具有极大的商业价值。很多时候我们无法从表面上找到事务间的内在关联,大数据提供了这种可能。现如今,无论是商务领域和银行和保险行业业务的推荐系统,还是医疗和医学领域发现伴随病因,抑或是社交媒体行业间的交叉过滤,各行各业都出现了关联规则的应用。然而,传统的关联规则具有一定的局限性,现实中的真实数据是复杂、模糊的,数据集中各项集的数量也并非全部达到挖掘数量需求。本文提出了多层模糊关联规则挖掘理论,更契合真实生活情景。本文以通用多层关联规则系统为应用点,以多层模糊关联规则为要点,研究成果有以下几方面内容:1)在对传统关联规则研究过程中,利用多层关联规则理论和基本原理,解决了数据库中底层细节项集数据量不够,找不到有意义的强规则的问题;2)研究了模糊理论的基本原理,分析了当前关联规则的发展和现状后,将模糊理论引入传统关联规则,转换为模糊关联规则,解决了待挖掘数据库中真实数据包含不能直接进行关联规则挖掘的数值型数据,需要通过模糊计算转化为使用模糊数据值来表示属性值的问题;3)将模糊理论与多层关联规则理论相结合,对传统的单层确定性关联规则进行改进,转换为更具应用性的多层模糊关联规则;4)提出了多层模糊关联规则的通用算法,在此基础上实现了一个工具,即通用多层模糊关联规则系统,并用真实数据进行了测试。本文提出的多层模糊关联规则已通过真实数据证实了其具有的现实意义,取得了现阶段的一些成果,但仍考虑在数据预处理阶段加入对数据进行列关联来删减冗余属性,从而对挖掘效率进一步提升,这一点有待研究。