随着信息技术的发展，数据挖掘技术得到了广泛的关注。在数据挖掘技术中有很多研究领域，关联规则数据挖掘就是其中一个重要的研究方向，对它进行深入研究不仅有着重要的理论意义，而且有着重要的应用价值。关联规则数据挖掘于1993年由Agrawal等人提出，它最初是以分析事务数据库中项与项之间联系为目标，后来的研究者们对问题原型进行多方面的改进和扩充。目前，关联规则挖掘技术已经被应用到商业、电信、金融、农业、医疗等领域，并取得了良好的效果。关联规则挖掘算法是关联规则数据挖掘研究中的主要内容之一，迄今为止已提出了多种关联规则挖掘算法，其中最著名的是Agrawal提出的Apriori算法。传统的Apriori算法及其改进算法都是集中在确定的，精确的概念上完成数据的挖掘，难以对非精确的或者说模糊的概念进行挖掘。本文结合模糊集理论的知识，对关联规则挖掘算法做了进一步研究，引入模糊关联规则的概念，用模糊概念表示数据之间的关联关系，拓宽了关联规则的表示和应用范围。并将概念分层应用到关联规则的挖掘中，引入多层次模糊关联规则挖掘算法，将其应用到商品交易中，用其解决模糊概念的关联规则挖掘的问题，有利于指导决策的制定。在现有的关联规则研究中，数据库中的各个项目是按平等一致的方式加以处理的，然而，在现实世界数据库中却并非如此，不同的项目往往有着不同的重要性．本文从实际应用角度，针对传统的Apriori算法存在的缺陷，通过对属性出现的频率来计算权重，基于模糊集理论，改进了模糊加权关联规则挖掘算法。通过具体实验验证了算法的可行性，并对算法的性能进行了讨论。