如今,人们把握数据的能力在不断提升。面对海量数据,人们更加关注的是隐藏在数据背后的重要信息,而非数据本身。数据挖掘满足了我们的需求,它是帮助我们发现数据中重要知识的有利工具。关联规则是数据挖掘的一个重要分支,挖掘出大型事务数据库中的关联规则对不同领域实际问题的解决起着非常重要的作用。本论文主要研究关联规则算法及其应用。首先,论文系统地阐述了数据挖掘和关联规则中的相关理论知识,为研究内容的全面展开打下坚实的理论基础。其次,论文通过指出经典的挖掘频繁项目集算法Apriori算法的性能瓶颈问题,即多次扫描数据库以及可能会产生庞大的候选集,为新算法的研究找到入口。因此,本论文对Apriori算法做了如下改进：首先从数据库布尔矩阵的角度来生成L1和L2,打破了Apriori算法生成Lk的固有模式；然后在证明结论“Lk-1生成Ck的连接步可用Lk-1∞L1来代替Lk-1∞Lk-1”成立的基础上,再来改进k-候选集的集合Ck(k≥3)的生成算法。所以,综合上述工作本论文提出了Apriori算法的改进算法BMSL_Apriori算法(Boolean Matrix Simplified Linked_Apriori算法)。首先通过对BMSL_Apriori算法的理论性分析,我们可以得知该算法不仅能够减少数据库的扫描次数以及一定程度上避免庞大候选集的产生,而且还能够降低算法的时间与空间开销。然后,我们又通过具体的实验进一步证明了BMSL_Apriori算法的效率确实优于Apriori算法和其他算法。最后,在较好的软硬件环境下并借助真实超市交易数据库中的部分数据,论文采用Microsoft SQL Server 2005和VB.NET作为开发平台来构建一个简单的关联规则挖掘系统,将BMSL_Apriori算法应用到关联规则的生成中通过挖掘结果再次证明了该算法较Apriori算法和其他算法确实取得了不错的挖掘效果。