在当今世界,随着互联网与其他行业的迅速融合以及数据量的迅猛增长,用户通过分析海量数据中有价值的信息可以针对性地制定下一步发展策略,为了帮助用户快速、准确地分析出海量数据中有价值的信息,数据挖掘技术研究得到了越来越多的重视。频繁项集挖掘（Frequent Itemset Mining,FIM）是关联规则分析中最关键的技术,用户可以通过频繁项集挖掘分析数据中的有用信息,然而,传统的全量频繁项集挖掘技术难以面对当今世界快速变化的海量数据。当今世界下,产生的大量数据会使数据库动态变化,传统的全量频繁项集挖掘技术会产生大量冗余计算,适应性差、挖掘效率低。针对以上问题,本文所做的主要研究如下:针对传统的全量频繁项集挖掘算法难以适应快速变化的动态数据库,本文提出了一个基于Flink的增量更新模型Inc MU。该模型可以重用更新前数据库已有的频繁项集,只在新增事务数据集这部分增量数据集上执行挖掘过程。本文也在理论上证明了模型计算结果的准确性,以确保模型能为用户的正确决策提供有力依据。为了重用已有的频繁项集挖掘结果,本文提出了一种增量更新方法。该方法通过集合运算和查询项集支持度的方式,计算出更新后数据库中的全局频繁项集。尤其地,本方法通过更新项集支持度及时地移除不再频繁的项集,从而保持动态数据库中频繁项集的时效性。本文的增量更新模型具备一定的通用性,并在文中给出了适用于模型的频繁项集挖掘算法需满足的条件。本文将并行Apriori算法与增量更新模型相结合,以此为例具体介绍了实现过程,实验结果证明本文提出的增量更新模型相比于全量挖掘有明显优势,使用部分Webdocs数据集验证时性能优化率较高。