关联规则挖掘是数据挖掘中的一个重要问题，它在商业领域的成功应用，使它成为数据挖掘中最成熟、最主要的研究内容之一。关联规则挖掘分为两步：频繁项集挖掘和利用这些频繁项集产生强关联规则。由于第一步决定着挖掘的整体性能，因此研究频繁项集挖掘问题具有十分重要的意义。虽然事务数据库中的数据存在于一定的环境中，如时间、地点和顾客等，但传统的规则挖掘忽略了这些因素。而多维关联规则能提供关于现实世界的更为有用的信息，因此其研究工作具有重要的实际意义和广泛的应用前景。 本文首先介绍了频繁项集的宽度优先搜索、深度优先搜索以及宽度和深度相结合的搜索挖掘算法，具体包括：Apfiofi、FP-growth、Eclat、上下分界、Diffset、RCFP和LR等。并以具体事务数据库为例，介绍了后五种算法的存储结构，对这些算法的存储结构和建树过程中的树深度进行了分析比较。 其次，论文提出了基于分界思想和RCFP-tree的频繁项集挖掘算法LR-RCFP，该算法借鉴了RCFP算法中频繁项集的压缩存储结构和LR算法中左右分界的思想。在UCI机器学习库中的6个数据集上进行了实验，实验结果表明，LR-RCFP算法比Eclat、Diffset、上下分界、RCFP和LR算法高效，而且稳定。 最后，论文在LR-RCFP算法的基础上，提出了基于LR-RCFP算法的多维关联规则挖掘算法--MLR-RCFP。该算法采用LR-RCFP算法挖掘频繁项集，利用频繁项集约束频繁谓词集和多维关联规则的挖掘。在UCI机器学习库中的6个数据集上进行了实验，实验结果及分析表明，MLR-RCFP算法相比MFP和MPIT算法效率更高；随着维数的增加，该算法时间上呈现较缓慢上升趋势。