随着数据库技术的快速发展以及人们获取数据手段的多样化,我们所拥有的数据急剧增加,但对这些数据进行分析理解的工具却很少。数据库系统所能做到的只是对这些数据进行存取和简单的操作。大量数据背后隐藏着对决策十分有用的信息,例如数据的整体特征、数据所表现出来的发展趋势等,但从海量的数据中获取这些信息却不是一件容易的事。数据挖掘就是从大量的、不完全的、有噪声的数据中提取隐含在其中的、人们事先不知道的、但又是潜在的有用信息和知识的过程。关联分析是数据挖掘的先行者,并且与其他学科的交叉内容较少。Apriori算法是关联分析的基础,量化关联规则挖掘所关心的问题是将连续数值的关联分析转换为布尔值,多维关联规则分析与约束性的关联分析都是解决实用问题的算法。数据挖掘中应用的方法包括传统的统计分析、分类、估计、预测和相关分析、关联规则、聚集,也包括最新发展起来的一些诸如数据可视化、决策树和神经网络等一些较新的方法。本文首先简要介绍了数据挖掘的产生、功能、分类和可供挖掘的数据源,然后详细分析了关联规则挖掘过程中最常用的频集发现算法Apriori,指出了该算法的不足之处。在此基础上,提出了一种以概念层作为背景知识的多层关联规则挖掘的方法,包括在同一概念层、混合概念层以及交叉概念层上进行关联规则挖掘的方法;同时,文中还给出了从单个属性具有背景知识的情况向多个属性都具有背景知识的情况进行扩展的方法,形成了多维关联规则挖掘的方法,从而克服了原有算法的缺点,极大的提高了算法的适用范围和功能。最后对未来的工作提出了展望。