在关联规则挖掘的过程中,通常采取“支持度-置信度”机制将规则排序输出,但这样会造成盲目挖掘,导致算法效率过低。并且在挖掘的过程中缺乏用户的控制,其最终结果可能会产生大量无用且用户不感兴趣的规则,这就需要增加一定的约束条件限制规则的输出。另外如何有效地利用其它学科中的成果,特别是智能算法中的人工免疫系统、遗传算法促进复杂约束条件下的关联规则挖掘也值得深入研究。因此本文主要对基于约束的关联规则挖掘算法展开研究。针对项约束条件,提出了一种基于索引机制的项约束关联规则挖掘算法。该算法继承了Separate算法中根据满足约束条件长度的不同而分成三部分的原理,引入了约束过滤思想和索引机制。首先进行项约束过滤使得符合项约束条件的项集数量大大减少。其次引入索引机制,在计算项集支持度时无需反复遍历数据集,减少时间开销。实验表明,算法在处理支持度较小或者约束个数较少的情况下,能有效缩减数据规模,提高执行效率。针对复杂约束条件,提出了一种基于免疫遗传的复杂约束关联规则挖掘算法。该算法从免疫反应中得到信息传递机制,通过调节种群中个体之间的竞争力,缩小搜索空间。并且能够自适应地调节搜索方向和范围,无须盲目地生成规模庞大的候选项集。能够克服单独使用遗传算法时易早熟的缺陷,达到全局最优解。通过与人工免疫系统、遗传算法进行实验对比,结果表明算法有较强的收敛性。