数据挖掘技术是当今处理“数据爆炸、知识贫乏”的一种行之有效的方式，而关联规则又是数据挖掘的一个重要的研究方向，它描述了两个或多个事物之间的相互依存关系，实际上是描述两个或多个变量之间的某种潜在关系的特征规则。其挖掘的时空效率成为了人们广泛关注的问题，研究者们在如何降低算法的复杂性、提高挖掘效率方面做出了大量的研究。而频繁项集的挖掘又是关联规则挖掘中的重中之重，所以大量的研究都围绕这一步骤进行展开。　　本文首先对数据挖掘及关联规则挖掘进行了综述，概述了数据挖掘的发展过程及广泛的应用领域，总结了数据挖掘的步骤、任务及方法，并列出了关联规则挖掘的国内外研究现状及研究热点，同时描述了关联规则的基本理论及频繁项集挖掘的三种主要分类方法。　　然后基于集合枚举树的概念框架，提出了以下两个算法。一方面，在经典关联规则算法的基础上，提出了一种基于CBD树的频繁项集挖掘算法，克服了一些经典算法的不足，利用垂直位向量及其数量积并且采用宽度优先与深度优先相结合的策略，通过有效的剪枝方式获得频繁项集，提高了算法的挖掘效率。另一方面，在传统数据集挖掘最大频繁项集的基础上，提出一种适用于不确定数据的最大频繁项集挖掘算法，此算法克服了先前在不确定数据中挖掘完全频繁项集效率较低的问题，使用概率矩阵及深度优先搜索方式挖掘不确定数据中的最大频繁项集，并且利用四种剪枝策略，提高了算法的效率。　　最后，通过实验分别验证了两种算法的有效性，证明本文提出的算法具有一定的实用价值。