近年来,随着计算机技术的发展、数据管理技术的成功应用、企业内部信息化程度的不断提高,各个应用领域的数据库中都积累了海量的数据。利用数据挖掘技术能够从大规模的数据中获取正确的、有趣的、潜在有价值的知识。而关联规则挖掘则是其中一个重要的研究方法,具有重要的理论价值和广泛的应用前景。当前,传统的正关联规则的挖掘受到了相当的关注,对于包含负项目的关联规则却并未给予足够的重视。然而在很多领域中,只挖掘出传统的关联规则往往是不够的,需要对数据项的否定项进行挖掘。因此有必要研究事物负属性之间的关联关系。现有的挖掘含负项目的关联规则算法为数不多,而且多是基于Apriori思想的迭代算法,需要对数据集进行多次扫描,同时生成大量的候选频繁项集。针对这些不足论文提出一种基于频繁模式树的频繁项集挖掘算法。算法借用FP-growth算法中频繁模式树这种压缩存储事务的数据结构,因此具有无需多次扫描数据库,不用生成大量候选项集的优点。除此之外,算法对频繁模式树中每个节点增加一个位串来存储该项目的前缀项目,以避免在模式扩展的时候频繁的遍历子树。实验表明,论文提出的算法比现有的同类挖掘算法具有更好的效率。另外,在含负项目的关联规则挖掘中,由于负项目的引入使得频繁项集的搜索空间变得更加巨大,而同时挖掘出的负关联规则数量也随之增大。但其中很多规则对用户来说是不感兴趣的,而且可能包含一些冗余和错误的规则。因此在传统的“支持度——置信度——兴趣度”评价标准之上,引入了最大支持度的概念,在生成频繁项集阶段就将没有意义的项集排除掉,以使得挖掘结果更有意义。实验结果表明,论文提出的改进算法是正确有效的。