近些年来，伴随信息技术飞速的发展，大量的数据随之产生，数据量的积累正在以指数的方式进行增长，大量的信息和知识隐藏在这些数据的背后。在这样的背景下，数据挖掘(Data Mining,DM)技术产生了，并已广泛应用于各行各业，为决策者进行决策提供了强有力的支持依据。关联规则分析(Association Rules Analysis)是数据挖掘中最重要，也是应用最广泛的方向之一，具有极高的研究意义，因此，如何提高关联规则挖掘算法的运算效率以及有效性，是很值得研究的问题。　　Apriori算法是关联规则挖掘中最经典也是最重要的算法之一，但是运行效率低，一直是该算法最大的弊病，特别是面对大型数据集时。由于上述原因，本文提出基于聚类和矩阵压缩的加权Apriori算法—K-means Clustering&Compressed Matrix(KCCM)算法，以提高算法的运行效率。　　文中首先对数据集通过K-means算法进行预处理将事务数据集分为若干块，并定义了项集之间距离为两项频度计数的倒数，通过这种距离定义，可有效的使具有关联关系的项分到同一类。然后文中对数据进行二元化处理，以0和1的形式映射到事务矩阵中，对已经过预处理的事务数据库进行分块挖掘，通过事务矩阵的不断压缩，能够有效的得到频集以及强规则。接下来，不同于传统的基于“支持度—置信度(Support-Confidence)”的度量框架模型，文中引入了提升度(Lift)，提出了基于“支持度—置信度+提升度(Support—Confidence+Lift)”的度量框架，以提高算法的有效性。并且在权值方面，文中对权值进行了“归一化”处理，以避免产生以往权值项大于等于1的情况。最后，本文运用数学软件MATLAB对KCCM算法进行了数据仿真实验，通过对结果的分析，验证了KCCM算法的有效性和高效性。