大量数据必然饱含了丰富的知识与极高的价值。无论大数据具有何种内涵和外延,如体量巨大、种类繁多、快速流动和低价值密度等,其本质特征是数据的海量性、高维性、异构性、动态性、时空性、多样性、多源性、多尺度性和模糊性。数据挖掘技术是实现数据向知识和价值转化的重要技术手段,但是要从大数据中挖掘出隐含的丰富知识和价值,传统的数据挖掘技术面临多方面的挑战。而解决大数据挖掘问题的重要途径,就是根据大数据的本质特征,研究与设计更加高效的算法。目前,聚类算法、关联规则算法均是大数据挖掘技术中的重要研究内容。其中,聚类算法指将大量数据信息中具有相似、相近的数据对象进行分组处理,使近似数据信息得以集合聚类,以便于数据挖掘计算的算法过程。聚类算法已被广泛地应用于发现数据对象的全局分布模式中,如数据分析、市场研究、模型评估等。而关联规则算法则主要描述大量数据结构间的内在关联性,该算法也已被广泛应用于地球科学、气象学、医学、经济学等领域的大数据挖掘分析中,使得其数据分析更具有高度价值与意义。为进一步提高现有数据挖掘算法的效率,改善数据挖掘的结果,本文基于现有聚类算法和关联规则算法存在的缺陷与问题,分别设计了两种面向大数据的数据挖掘改进算法:一是针对目前CABWAD聚类算法存在的聚类效果不佳、数据处理难度大、算法结构不够合理等方面的缺陷与问题,提出了改进CADD算法,并通过仿真实验与对比测试,验证了该算法的有效性与聚类高效性;二是针对目前Apriori算法中存在的算法聚类部分问题,以及算法参数设置问题,提出了Apriori改进算法的设计,并分别利用地球化学数据和临床医学数据进行了两组基于距离的关联规则算法实验,根据原算法和改进算法的对比测试,检验了改进算法的高效性。