数据对于任何机构来说都是一种十分重要的资源,随着信息技术的发展,数据的增长速度远超过以往任何时期。数据这种资源异于其它相关资源,如果数据资源不能得到很好的利用,则带来的不是效益而是一种负担。目前,面对如何处理这些重要数据资源,各种数据挖掘技术起到了十分重要的作用。传统的各种数据挖掘算法与模式主要是针对小数据量与结构化数据的分析与挖掘；而如今大数据是以非结构化数据为主,研究者则需要重新思考虑原来的算法与模式,从而使数据挖掘模式能更好的适应于大数据时代的数据特征。在众多的数据挖掘模式中,粗糙集理论是一种用来处理不确性与模糊性知识的数据工具,目前已在人工智能、模式识别、决策分析等领域得到重要应用。通过分析传统的Apriori关联规则算法,发现传统的Apriori算法在处理数据时不仅会多次扫描事务数据库,而且同时还会产生大量的候选项集,这非常不适合处理大数据及非结构化数据；现阶段学者已提出的并行关联规则算法只能挖掘出频繁事务背后所隐藏的那种肯定关系,却无法发现其中的否定关系。而从实际应用的角度来讲,否定关系的实际作用与肯定关系具有同样的重要性。为此,本文深度分析了事务数据库的有关特征,并结合Boolean矩阵相关原理,运用粗糙集理论的分类思想及大数据环境下的MapReduce并行编程模型,提出了一种在MapReduce环境下的否定粗糙关联规则算法,以处理大数据背后所隐藏的那种否定关系。理论分析与实验结果表明该算法不仅可以提高现有并行算法的效率,而且还可以挖掘出大数据背后所隐藏的那种否定关系。这是粗糙集理论在处理大数据方面的一次有益尝试。