数据挖掘技术是近年来数据库和人工智能等领域研究的热点课题，它引起了科学界和产业界的广泛关注。在数据挖掘技术发展繁荣的大背景下，关联规则技术得到了蓬勃发展，并正朝更为广泛而深入的方向继续发展。 关联规则挖掘作为数据挖掘领域的一个重要研究分支，它的任务是发现所有满足支持度阈值和置信度阈值的强关联规则。近年来，关联规则挖掘研究已经成为数据挖掘中的一个热点，并被广泛应用于市场营销、事务分析等应用领域。关联规则挖掘算法是关联规则挖掘研究的主要内容，迄今为止已提出了许多高效的关联规则挖掘算法。 本文对关联规则挖掘进行了系统的分析与研究，并在已有研究的基础上提出了两个改进算法。论文的主要工作如下： (1)对关联规则挖掘的基本理论进行了总体研究，包括关联规则挖掘的基本概念、分类、挖掘过程、改善关联规则挖掘质量的主要策略等，并在此基础上分析了关联规则的扩充问题，从而指出关联规则挖掘的研究方向。 (2)对关联规则经典算法Aoriori作了全面的分析，指出了挖掘中的关键步骤并提出算法的不足，并分析总结了二进制算法和矩阵算法的相关研究，提出了一种基于频繁项集矩阵的关联规则挖掘算法。该算法不需要生成频繁候选项集，并且只需要扫描事务数据库一次，采用频繁项集矩阵存储事务数据并对其约简，占用的存储空间也少得多。理论分析和测试实验证明了新算法在性能上的优越性。 (3)研究并分析了频繁模式增长算法FP-growth，结合用户访问模式的特点，提出了一种新的用户访问模式挖掘算法AP-mining。该算法将Web用户的会话集映射为一棵访问模式树，然后在访问模式树上挖掘频繁访问模式并生成模式数组，最后在模式数组中找到所有的频繁访问模式。利用挖掘出来的模式知识，可以更好地对Web站点进行设计与维护。