关联规则挖掘是数据挖掘领域中的一个重要问题,它在商业领域的成功应用,使它成为数据挖掘中最成熟、最主要的研究内容之一.要发现关联规则,首先需要挖掘频繁项集,而Tire这种前缀树数据结构能够高效的存储频繁项集.为了加快事务数据库访问效率,且随着计算机硬件性能的不断发展,计算机主存容量的不断提升,可以考虑把事务数据库压缩到内存中去.另外,对候选频繁项集的剪枝一直是提升关联规则挖掘算法效率的重要方式.从这两个方面围绕Tire数据结构进行的关联规则算法研究对目前和将来的研究工作具有重要的实际意义和广泛的应用前景.本文首先介绍了关联规则的基本概念和关联规则挖掘算法一般分类,宽度优先挖掘算法和深度优先挖掘算法.并以具体事务数据库为例,将其中经典的Apriori算法和FP-growth算法从数据结构至算法描述作出详细阐释,分析比较了两种算法各自的优缺点.其次,在阐释了事务数据库的二维数组压缩存储和Tire前缀树的数据结构的基础上,论文提出了采用压缩数据库和动态剪枝的关联规则挖掘算法CDDP,该算法使用一种二维数组压缩原数据库,同时借鉴了频繁项集挖掘算法DF中的频繁项集Tire树存储思想,在Tire树构建过程中,利用Tire树性质进行动态剪枝,缩减候选频繁项集数量.在关联规则挖掘阶段,提出了Tire树中频繁项集的查找算法.讨论了算法实现过程中的一些细节问题,对算法的时空复杂度分析结果表明算法在长模式数据集上具有良好的时空效率.最后,在详细介绍了关联规则算法实验人工数据合成器的基础上,选取两个人工合成数据集和两个自然世界中的真实数据集,将CDDP算法与DF算法和Apriori算法一起进行对比实验,实验结果表明CDDP算法有自己擅长数据集类型.与DF算法相比,CDDP的动态剪枝算法在处理频繁单项集稳定,以长模式为主的数据集时,效率极高；而DF算法的剪枝方法在超市型的数据集时(也就是存在很多短模式和大量频繁单项集的数据库),具有一定的优势.而与Apriori算法相比,CDDP算法在任何类型的数据集上具有明显的时空效率.