传统的数据挖掘技术可以有效的从数据中挖掘对决策有益的信息。随着数据技术的发展,如何从大数据中进行数据挖掘是现在的一个热点研究方向。关联规则挖掘是数据挖掘中非常重要的分支,而传统的关联规则挖掘算法需要占用较大资源。本文基于当前的大数据技术,研究基于Hadoop框架下的关联规则挖掘算法。在使用Hadoop框架对关联规则挖掘算法进行重新设计,使得其在大数据环境下有更好的性能表现。本文使用垂直数据库表示事务数据库,将关联规则的挖掘方式转换成求项集之间的交集运算。然后通过扩展先验原则,使用前缀划分将数据分发到各个节点上。并使用位图来进行运算和存储,在计算长规则时通过缓存旧的候选集从而在挖掘新的关联规则时进行剪枝。从而降低计算时所需要的时间和存储代价。为了扩展关联规则的适用范围,本文引入了正负关联规则的概念。由于负关联规则的特殊性,往往会产生大量的无意义候选集,导致算法执行失败。本文在传统的支持度——执行度的模型上引入接受度作为关联规则的评判标准。同时为了加速正负关联规则的挖掘速度,在位图的基础上引入倒序索引作为数据结构。使其在挖掘正关联规则的同时可以计算负关联规则,减少需要执行的Map Reduce项目数量,提升挖掘速度。为了体现关联规则挖掘在现代数据系统中的重要性,本文设计学业预警系统作为应用案例。本应用案例有完整的界面系统和数据系统,集成了各个数据源之间的关系。在算法层面,使用了聚类算法对数据进行分层并使用关联规则对层间和层内进行关联分析。同时使用正负关联规则验证生成的关联规则,进而提升预测准确率。