关联规则挖掘是从大量事务数据中找出项集之间有意义关系的过程，它是数据挖掘的重要内容。关联规则挖掘除了应用于购物篮分析之外，还在商业决策、基因研究等领域有着广泛的应用。本文对关联规则挖掘，尤其是关联规则挖掘中的Apriori算法进行了系统和深入的研究。
　　本文首先对数据挖掘进行了归纳和总结，包括数据挖掘的概念、功能、主要技术以及具体应用。然后对关联规则挖掘进行了深入探讨，介绍关联规则中的基本定义以及至关重要的先验原理。在此基础上，着重讲解了关联规则挖掘中最重要的频繁项集挖掘算法——Apriori算法。对Apriori算法进行详细讲解后，文章指出了该算法的两个缺陷：多次重复扫描原始事务数据库和产生大量候选项集。
　　针对Apriori算法的以上两个缺陷，本文提出了基于事务数据分块的优化方案——BCL_Apriori算法。该算法通过引入B-Jaccard事务数据分块算法对原始事务数据库进行聚类分块，从而为并行计算提供了条件。将提出的BCL_Apriori算法和传统Apriori算法进行性能比较，经模拟实验验证，BCL_Apriori算法改进了传统Apriori算法固有的缺陷，提高了算法的执行效率。同时，并行计算的引入为传统Apriori算法在处理大型事务数据库所遇到的内存不足问题提供了有参考意义的解决方案。