数据挖掘在二十世纪后期由于世界经济的海量数据资源和对于数据的需求而得到了迅速的发展,需要将现存的各种数据资源通过深入的分析和挖掘转换成为人们所需要的信息和资源。在数据挖掘中,一个非常重要的应用就是关联规则算法的数据挖掘,人们对其不断改进并投入使用,以满足人们的决策需求。本文通过研究数据挖掘的相关算法及其改进,分析高校毕业生就业的相关数据,挖掘学生就业数据中的关联因素从而为高校学生就业工作服务。论文首先分析了数据挖掘技术,介绍二个关联规则算法,并且重点研究了 Apriori算法的实现过程。然后分析了传统Apriori算法在高校学生就业数据分析和应用中的不足,特别是计算候选频繁项集上时间成本耗费过大。针对此缺点,提出了一种改进的Apriori算法。改进方法是对传统Apriori算法在属性选择过程进行数据的预处理,实现对数据对象的量化操作,接下来进行数据对象聚类,计算得到支持度和置信度,帮助用户更好地理解数据的意义,使得算法可读性方面得到明显的改善。通过新旧算法的比较验证,新算法在时间效率方面得到了进一步的提高。将改进后的Apriori算法应用到学生就业系统中,利用算法分析不同专业不同学年的学生就业的影响因素,证明Apriori算法在解决高校学生就业问题上的可行性和有效性。对实际的数据挖掘结果进行分析,得到三类关联规则的结果。通过对三类的规则进行具体的描述和说明,对算法的影响结果的因素进行分析,并对改进的算法所取得的实际意义进行介绍。通过对Apriori算法进行改进以及在高校就业数据中推广应用,分析学生就业与学生的专业、家庭等关系,形成针对高校的就业分析规则,为高校就业部门服务,具有极大的应用价值。