信息时代，高速发展的计算机技术使许多有价值的信息被保存起来，但是如何将这些隐含信息有效地挖掘出来加以利用是我们不断研究的方向。关联分类作为数据挖掘中一种分类精度高，适应性好的分类算法，被广泛的应用于各个领域。目前的研究方法和模型都是基于理想的离散型数据，如何将其更好的应用到数量型数据中是亟待解决的问题之一。目前针对数量型数据的关联分类方法主要是通过先离散化，转化为离散型数据后，再应用传统的关联分类算法进行分类。这种“先离散，再学习”的步骤可能带来离散盲目性问题，例如待测试样例不确定时，可能无法匹配到已经构造好的分类器中的规则的区间，进而影响其分类的准确性。另一方面，采用Lazy思想的基于属性投影的关联分类算法将构造分类器的时间推迟到分类阶段，同时在此之前，对每个待测试样例在原始训练数据集上进行投影，得到一个规模小，去除无关属性的新训练数据集。实验证明，相比传统的关联分类算法，Lazy关联分类算法在分类效果上有了很大的提高。本文基于传统关联分类算法在数量型数据上的应用的弊端，结合Lazy思想，提出了一种新的关联分类算法QLAC—基于数量型属性的关联分类算法。针对数量型数据，它首先利用K-近邻分类思想“投影”，选取N个近邻为待测试样例新的训练数据集，然后，使用K-means聚类算法对待测试样例和新的训练数据集进行离散化，最后根据离散化后的数据特征，采用基于频繁闭项集的关联规则挖掘算法挖掘类关联规则并构造分类器进行分类。另外，在利用K-近邻分类思想得到待测试样例的新的训练数据集时，首先判断它们的类属性值是否一致，若一致，则直接将其赋值给待测试样例，否则继续进行后面的关联分类操作。最后，为了验证QLAC算法的有效性，在UCI上7个数量型数据集上进行对比实验。实验结果证明，与K-NN算法相比，QLAC算法在分类准确率高于1.03%，与现有的关联分类算法包括CBA，CPRA，CMRA和Lazy算法相比，平均分类准确率提高0.66%-1.65%。另外，在分类器大小对比试验中，QLAC算法的分类器中规则比CBA平均减少39.3条，证明它能更有效地对待测试样例分类。