关联规则数据挖掘是数据挖掘的一个非常重要的研究课题。自1993年Agrawal引入关联规则概念和提出第一个关联规则算法以来,由于其巨大的商业价值以及研究的理论价值,诸多研究人员对关联规则挖掘的算法进行了广泛的研究。关联规则挖掘的难点在于其挖掘对象是海量的数据,由于Agrawal算法需要对数据库的多次扫描,因此在真正的海量数据库挖掘中没有实用价值;而FP-树增长算法,相对于Apriori算法来说,算法效率快了一个数量级,但算法需要消耗较大内存,对海量级数据库来说算法在实现上存在一定的困难。当前国内外研究关联规则的文献很多,但大多数集中在对上述两个算法的改进上,没有实质和有效性的算法出现。本文研究的主要内容是关联规则的挖掘算法及其系统实现。为提高算法效率,通过研究数据库中数据之间内在关系,并使用特定的数据结构来研究关联规则挖掘算法,本文提出一个基于数组结构的A-Mine算法和两个基于数据增量变化的挖掘算法。实验数据表明,考虑数据结构和数据间关系的关联规则算法,在实现上和效率方面都有极大的改进。本文在下面三个方面对关联规则挖掘展开研究并取得一些结果:1.在大量研究经典关联规则挖掘算法(Apriori算法和FP-Growth算法)相关文献的基础上,使用了一种简单的数据结构----数组,提出了一种基于数组的改进的关联规则挖掘算法----A-Mine算法;2.当挖掘数据库进行动态更新时,通过研究数据之间的内在关系,利用原有的挖掘知识来高效地挖掘新的关联规则,结合两种经典算法提出了IUAMAR算法和IUA_FPKB算法;3.针对国内目前关联规则挖掘算法实现方面的研究较少,本文开发了一个基于超市数据库的简单的数据挖掘系统,提出了一系统框架,实现了相应的算法,并对算法的性能进行分析和评价。