面对海量的存储数据，如何从中发现有价值的信息或知识，成为一项非常艰巨的任务。数据挖掘就是迎合这种要求而产生并迅速发展起来的。数据挖掘，又称为数据库中的知识发现，就是从数据集合中发现隐含的、先前未知的、对决策有潜在价值的用户感兴趣的知识。关联规则是数据挖掘研究中的一个重要课题，关联规则为发现数据之间的潜在联系提供了一种有效的机制。关联规则通常具有如下形式：X()Y，其中X和Y都是项集。关联规则挖掘就是发现满足用户给定的最小支持度和最小可信度的关联规则。 　　本文就数据挖掘中的关联规则进行了一些研究 ，关联规则可以分为布尔型关联规则和多值关联规则。布尔型关联规则挖掘是在属性值为布尔量的关系表中发现属性值同时为“1”的属性之间的关系。目前提出的挖掘多值关联规则的算法大多是将多值属性关联规则挖掘问题转化为布尔型关联规则挖掘问题，即将多值属性的值划分为多个区间，每个区间算作一个属性。本文针对这一问题，提出多值属性下的项集子集的定义，给出多值属性下一种新的支持度的计算方法，对Apriori定理在数值区间下进行了扩充。对项集存在包含关系的两规则的可信度和支持度的大小关系进行深入的研究，提出并证明了后件子集定理和前件子集定理。这两个定理对区间合并和冗余规则的删除具有一定的指导性作用。最后，针对目前很多区间合并是一种局部最优化，本文提出一种基于规则的兴趣度最大化的全局划分区间的方法；利用模糊集理论解决了现有的多值关联规则挖掘方法中一种硬划分的缺陷，而且挖掘出来的模糊关联规则更容易让人们理解。因此，本文提出模糊关联规则的定义，可信度和支持度在模糊下的计算方法，并在此基础上提出了一种利用模糊C-均值聚类法把属性值划分为语言值的软方法。