近年来,随着社会的发展,银行业务呈多样化,个人信贷业务逐渐兴起,盈利空间非常大。目前,大部分银行主要依靠工作人员根据自己的经验对客户进行评估来决定是否放贷,这其中主观性很强,对评估结果有一定的影响。如果能够通过数据科学地分析出哪些人在银行交易中信用度较高,那么就可以对这些人进行放贷,进而增加银行收益。在众多挖掘算法中,Apriori算法被人们使用的最多,近些年已被应用于对各行各业数据的挖掘研究。在Apriori算法的运行过程中,它是存在一些缺点的。其一是在数据库扫描方面,会进行多次扫描,这无疑会增加I/O开销。其二,在自链接过程中产生的候选项集过多,算法运行时间长。其三,Apriori算法是串行算法,无法满足大数据的挖掘。本文分析了改进的AprioriTid算法,然后分析该算法的不足,提出对项集约减和排序的改进算法Apriori_Cut。该算法只扫描一次数据库并能减少数据集,减少数据集的遍历,还能够减少候选项集的个数,避免无用的候选项集的产生。本文首先介绍了选题背景与意义,然后对研究所能用到的相关理论知识进行了详细介绍。接着研究介绍了 Apriori算法原理。随后,我们分析了传统Apriori算法和改进的AprioriTid算法,针对算法的不足之处对算法进行了改进,提出了 Apriori_Cut算法。然后将Apriori算法、AprioriTid算法、Apriori_Cut算法移植到Hadoop平台上以适应大数据的挖掘。接下来将三种并行算法进行了实验对比,实验证明Apriori_Cut算法优于其他两种算法。最后,我们以国外某银行的信用数据作为本次课题的研究,先对这些数据进行了预处理,然后运用大数据处理平台Hadoop来处理数据,并制作了一个web应用小程序,运用并行化Apriori_Cut算法对银行信用数据进行挖掘并详细地分析了挖掘结果,总结出了哪些人的信用度较高,挖掘结果可以指导银行进行合理放贷。