关联规则挖掘是进行大数据分析最常用的方法之一,它能从庞大数据集中找出各项集之间的隐性关联,但是处理大型数据集会花费太多时间,且算法的执行效率直接影响挖掘结果的好坏程度,这就需要高效的关联规则挖掘算法处理和研究。体能素质评估与预测恰恰与数据背后隐藏的重要信息相关联,为了有效提取有价值的信息,往往忽略了效率问题。针对以上问题,本文以学生体能素质评估为研究对象,开展了面向评估指标的高效关联规则挖掘算法研究,构建了两种行之有效的效率优化模型,在确保挖掘结果准确性的基础上,对关联规则挖掘效率进行优化,从而实现了体能健康指标间的快速关联,及时找出影响身体素质的关键指标,进而实现了体能素质的高效评估,为体育教学和身体素质评估提供了新的研究视角。具体研究内容如下:（1）针对体质指标的快速关联分类问题,提出了一种基于事务压缩和hash技术相结合的Apriori关联规则优化模型。本文首先选取体质指标数据,根据大学生体测数据特征有限且长度一致的特点,将其经过数据清洗、数据消减、数据转化等预处理变换为适用于Apriori算法的布尔型数据,然后从事务压缩、hash技术方面共同改进Apriori关联规则挖掘模型的运行效率,最后基于“支持度-置信度”框架下筛选出指标间的强关联规则。通过实验验证本文提出的关联规则优化模型在得到有效的体质指标间关联信息同时,运行效率显著提升。（2）针对体能素质的高效评估问题,提出了一种基于改进FP-growth算法的评估效率优化模型。首先选取了体质指标数据和体能素质等级数据,将其进行预处理操作变换为适用于FP-growth算法的形式,然后利用设定的hash函数完成项目名到桶地址的映射,缩小统计项集支持度计数的时间,提高FP-growth评估模型运行效率,最后针对挖掘结果可能存在大量冗余规则的情况,在传统的“支持度-置信度”框架下加入提升度参数,制定基于提升度的有效强关联规则,提高规则库的准确性。通过实验验证,与FPgrowth算法相比,改进算法在保证挖掘精度的同时降低了时间复杂度,同时也验证了基于改进Apriori算法的关联规则优化模型的有效性。