智慧环保工程中存在着海量数据，这些数据来源于多个业务信息系统，造成了数据具有多源异构的特征，难以利用数据挖掘方法从中挖掘出有意义的信息。针对该问题，本文提出了基于Hierarchical-Global-as-View(HGAV)模式映射的多源异构数据集成方法，通过将分散的各个数据源映射到一张统一的视图中，为数据挖掘提供了标准化的数据基础。作为数据挖掘的经典算法，Frequent-Pattern-growth(FP-growth)算法能够通过扫描两次数据库从中挖掘出关联规则。然而，FP-growth算法是驻留内存的算法，随着数据量的增大和FP-tree分支增多，它会消耗大量内存，直至内存不足，算法无法继续执行，所以随着数据规模的急剧增长，解决这一问题的需求变得尤为迫切。针对该问题，本文对FP-growth算法加以改进，提出了基于Self-Organizing-Map(SOM)划分的FP-growth算法。该算法首先利用SOM算法对数据集进行聚类分析，得到数据分类模型;其次，按照分类模型将数据划分成若干个子集;最后在各个子类上分别进行FP-growth挖掘。将大数据集按照一定的规则划分成若干个子集分别进行处理，在很大程度上解决了因为数据量过大而无法进行数据挖掘的问题。　　改进的算法将数据集划分成若干个子集分别进行FP-growth挖掘，具有明显的并行运算特征，为了进一步提高算法运算速度，继续研究了分布式并行计算方法。考虑到目前Spark分布式计算框架性能较为优越，采用基于Spark的分布式计算框架来实现改进算法的并行运算。通过将数据子集发送到多个计算节点上进行分布式计算，改进算法的性能得到了大幅度的提升。最后通过搭建面向宁东智慧环保的大数据分析系统，将本文所提出的算法应用到系统中，验证了算法的可行性，并且该系统挖掘出的关联规则能够为相关决策人员提供重要的信息服务。