关联规则的研究是数据挖掘的重要内容之一,现有的关联规则挖掘算法大都是在频繁项集的基础上进行挖掘,关于非频繁项集的研究较少,然而在研究负关联规则后,非频繁项集因包含重要的负关联规则而变得非常重要。同时,现有的关联规则挖掘算法大多是在单一最小支持度的限定条件下进行的,而事实上由于不同数据属性的发生频率不同,仅依靠单一的最小支持度限定就可能无法正确反映挖掘对象本身的特征。为了弥补单一最小支持度的不足,进而出现了多最小支持度算法。本文在多最小支持度算法的基础上,对多支持度算法进行了改进和完善,提出了3种新的算法:MMS-inFS算法、2LMS-inFS-FS算法和MLMS算法。MMS-inFS算法是在多支持度算法的基础上增加了一种对非频繁项集的约束机制,使其能够同时挖掘频繁项集和非频繁项集。2LMS-inFS-FS算法是基于两级多支持度的挖掘算法,是将MMS-inFS算法中的对非频繁项集的约束由单一的支持度更改为多支持度,即对每个项集设定了两级支持度,一级支持度用于约束频繁项集,另一级用于约束非频繁项集,这样能够更好的限定频繁项集和非频繁项集。MLMS算法是一种基于多层最小支持度的算法,即对不同长度的项集采用不同的最小支持度。对于新提出的算法模型,我们与其它几种模型进行了比较,并且通过实验表明这些算法是非常有效的。