本文在研究灰色系统理论等相关知识的基础之上,利用灰色模型独特的少数据建模且精度较高的特点,将灰色系统理论与动态关联规则元规则挖掘以及动态关联规则趋势度挖掘相结合,提出了基于灰色-周期外延模型的动态关联规则元规则挖掘算法和基于灰色马尔可夫模型的动态关联规则趋势度挖掘方法。通过针对不同类型的数据,建立不同的数据模型,发现以上两种算法在面临原始数据较少时充分发挥了灰色模型的优点,对于数据的建模和预测都有着很好的效果。同时,将所提出的方法运用在实际的挖掘中,验证在实际挖掘中所具有的实用性以及较高的预测精度。通过与近几年提出的基于动态关联规则元规则和动态关联规则趋势度的挖掘算法进行对比,发现本文所提出的方法挖掘出的规则质量更高、可用性更强,在一定程度上克服了挖掘的盲目性,最大程度的挖掘有效规则以及潜在规则,有效提高了动态关联规则挖掘的效率和挖掘结果的参考价值。与传统的动态关联规则挖掘算法相比,通过数学模型分析规则的变化趋势,能得到规则随时间的变化情况。