数据分类是数据挖掘中的一个重要课题。近年来研究提出的关联分类(associative classification简称AC)——将关联规则挖掘和分类结合起来,作为一种新的数据分类方法在数据挖掘领域引起了广泛的关注。自1998年出现第一个基于关联的分类算法(CBA)以来,有不少学者对关联分类算法的设计及应用进行了深入的研究。随着医院使用计算机进行信息化,其各种医学信息数据库不断地建立。此外又由于医学技术本身具有很强的实验性、实践性和统计性等特点,使数据挖掘在医学诊断领域的应用具有重要的实用价值和广阔的发展前景。因此,面向医学图像的数据挖掘技术研究成为医学和计算机科学交叉学科研究的一个十分重要的领域。目前,面向医学图像的数据挖掘研究刚刚起步,现有的数据挖掘方法直接应用还存在许多问题。研究和探索适于医学图像的数据挖掘方法具有重要、现实的意义,对辅助医生进行临床诊断具有重要实用价值。本文在分析CBA算法的基础上,针对其存在的问题提出了一种基于属性重要性的关联分类算法(IRARC)。该算法的特点在于引入属性重要性,从而大大减少了生成候选项目集的数目,解决了频繁项目增加时运算时间显著增加的问题,提高了算法的效率;引入规则优先度的概念解决了规则选择的随机性。实验结果表明,IRARC算法比CBA算法有明显的优势,可以应用于大规模数据库的知识发现中。此外,对关联分类算法在医学图像数据挖掘中的应用进行了系统、深入地分析研究,针对医学图像本身的特点使用FP-Growth算法,解决了传统关联分类算法在医学图像数据挖掘中有大量强模式、长模式或阈值较低时的不足;采用改进的规则优先度的定义构造分类器。实验数据表明,该算法具有较高的精度和时效性。