随着信息技术的高速发展,数据库应用的不断深化,数据挖掘已成为当今研究的热点之一。其中,关联规则挖掘和分类规则挖掘是应用范围较为广泛的两个分支。由于关联规则具有因果特性,当关联规则的后件表示为某种类别时,关联规则就具有了分类规则的特性。因此,关联规则挖掘可以与分类规则挖掘技术相结合,继而得到了一种新的分类方法——基于关联规则的分类。传统的关联分类挖掘算法主要采用基于一般频繁项的关联规则算法,往往会产生大量的分类关联规则,并且其中存在大量的冗余规则,不利于分类器的建立和使用。虽然目前已提出了一些高效的关联分类算法,但仍存在一些不足之处。本文在现有的兴趣度模型及关联分类挖掘算法的研究基础上,提出了一种新的客观兴趣度模型和一种改进的关联分类算法,论文的主要工作如下：(1)对关联分类挖掘的基本理论进行了总体的研究,包括关联规则挖掘和分类规则挖掘的基本概念,挖掘过程,并介绍了两种经典的关联分类挖掘算法,在此基础上指出了关联分类挖掘的研究方向。(2)如何从大量的关联模式中筛选出用户感兴趣且有价值的规则,是算法研究的重要内容之一。由于支持度-置信度框架模型有一定的局限性,本文在总结分析已有的兴趣度模型下,提出了一种新的客观兴趣度模型,用来修剪无趣的规则,从而筛选出真正有价值的规则。并通过实例和实验证明该兴趣度模型的有效性和实用性。(3)针对现有的经典关联分类算法的不足,提出一种基于D-Miner的关联分类算法,该算法在产生分类关联规则时只需要扫描事务数据库一次,通过生成频繁闭项集,大大减少分类关联规则的产生数量。此外,新算法结合置信度、兴趣度模型以及数据库覆盖策略对规则修剪进行改进,占用的存储空间相对减少。理论分析和测试实验证明了新算法在性能上的优越性。