数据挖掘技术可以从数据仓库中的历史数据里提取出有价值的信息。关联规则数据挖掘是其中一个重要研究方向，挖掘的关键是选取恰当的算法，算法的优劣直接影响到挖掘的效率。迄今为止已提出许多关联规则挖掘算法，大多在单维布尔型关联规则挖掘的Apriori算法基础上进行改进，FP-树技术就是其中的典型。 本文对关联规则挖掘算法进行了研究。首先对数据挖掘技术做了简要描述，其次对Apriori算法和FP-增长算法进行了系统的分析和总结，讨论了提高有效性的策略。在此基础上，提出了一组结合FP-树和FP-数组技术的改进算法。 对于频繁项集挖掘，在FP-增长算法基础上提出了一种FPgrowth*改进算法，通过改变存储方式，增加FP-数组结构，减少建立条件FP-树时所需的扫描次数，省略了FP-树的遍历时间；对于最大频繁项集挖掘，在FP-树结构的基础上提出了MFI-树结构，并结合MFI-树结构与FP-数组技术提出了FPmax*算法，用MFI-树保存已发现的MFI路径，同时为条件FP-树构造局部MFI-树，从而减少频繁项集的比较时间；对于封闭频繁项集，在FP-树结构的基础上提出了CFI-树结构，并结合CFI-树结构与FP-数组技术提出了一种FPclose算法，CFI-树包含已发现的封闭频繁项集及其计数信息，新发现的频繁项集只需要与CFI-树中结点进行比较，即可对其封闭性进行判断，从而提高了效率。 最后，用不同的数据集对算法的运行时间、内存消耗和可伸缩性进行了实验分析，证明了算法的有效性。