青少年的心理健康问题引起了社会的普遍关注,我国教育部门在颁布政策时频繁强调要加强中小学生的心理健康教育,中小学生心理健康问题的分析与研究也成了国内外学者关注的焦点问题。所以,本文以中小学生心理问题为研究对象,对其进行相关性分析,尝试将关联规则挖掘技术应用到中小学生心理问题的分析中,这对中小学生进行心理健康指导将具有一定的现实意义。针对中小学生心理问题有很多学者做了相关研究。但是大多数研究者仍然在使用常规统计分析方法,或者是使用学生心理健康管理系统,但此类系统仅反映出心理健康表层的数据。也有学者使用传统的数据挖掘算法,如使用经典的Apriori算法或者其变体来分析有关心理数据之间的相关性,然而在大数据面前仍具有效率低下的缺点,在挖掘过程中把每个项目都看作同等重要,导致挖掘效果并不理想。因此本文针对Apriori算法在心理数据挖掘中的不足,提出一种Apriori改进算法,以提高在心理问题数据挖掘工作中的效率以及准确性。另外,传统心理问题统计分析方法不能挖掘出各心理问题之间的内在联系,而本文提出的改进Apriori算法能够挖掘出心理问题之间的联系,从而较好地掌握学生心理问题在不同维度和类型下的影响因素特征,有利于更好地对心理问题发生原因进行深入分析,并提出有针对性的对策建议。本文首先讲解了数据挖掘在心理问题数据研究中的现状,然后阐述了在此类数据挖掘中常用的Apriori算法,并对此算法的两个关键缺点进行了改进。本文首先针对Apriori算法忽略不同项目间的重要程度的问题,通过引入加权规则,从频数与权值两方面来体现不同项目间的重要性差异,极大地减少了无效关联规则的产生;其次,对输入数据集进行扫描时,候选集产生与支持值统计同步,并且它不是在每次迭代中利用原始输入数据集,而通过移除没用的交易和项目,对更新的输入数据集进行计算;最后,将优化的Apriori与并行计算处理框架Apache Spark相结合,提出了一种基于Spark的加权Apriori算法WABS（weighted Apriori algorithm based on Spark）。通过与最新的同类算法比较,实验结果表明,该算法能够有效地缩短挖掘时间,有利于发现更有价值的信息。最后将改进后的Apriori算法应用于中小学生心理问题数据挖掘研究中,以中小学学生的心理测评数据为研究对象,通过使用改进的算法对其进行了挖掘,根据挖掘结果,分析出了中小学学生心理相关因素存在的若干规律与特征,以期对中小学学生心理健康教育工作提供一些指导思路。