目前,利用形式概念分析来进行数据挖掘的研究得到了相关学者的广泛关注。他们提出了相应的概念格构造算法,并利用形式概念分析进行其它方面的研究。在利用形式概念分析进行分类规则挖掘的时候,大多数方法都是先生成形式背景对应的完备概念格,这些完备概念格的构造方法大都基于经典的概念格构造算法,如增量式算法、批处理算法等。当完备概念格构造完之后,再从这种偏序的结构中将那些适于作为分类规则的格节点提取出来,进而得到整个形式背景的分类规则。但是,由于构造完备概念格的复杂性及构造过程中产生的大量冗余,这种方法往往具有较高的时间和空间复杂度,因而影响了效率。针对这些问题,本文提出了一种Fccrm算法,它采用类标号分割的方法来降低形式背景的规模,通过对每一类标号的形式背景按照属性划分,生成单属性形式概念,并由这些形式概念的最大概念以及它们的下覆盖来获取全部的格节点,获得分类规则。该算法避免了构造完备概念格时格之间的复杂关系,只生成全部的概念节点,并且在生成所有形式概念的同时进行预剪枝,缩小了生成概念集的规模。在分类器的构造上,本文将分类规则赋予权值,然后在分类器中采用投票的方式对未分类数据进行分类,并根据规则加入对训练数据的判断结果的反馈机制。这种方法强化了那些具有强分类能力的规则,提高了分类的正确率。本文还对分布式数据挖掘在概念集成时采用的方法进行了研究,并给出了一个模型。最后,实现了本文中提出的算法,并通过实验进行验证。实验结果表明:该算法在性能上有了很大改进,通过形式概念集获取的规则对于样本集是完备的。实验还测试了数据集大小以及稠密程度对算法性能的影响。