时态数据挖掘已成为数据挖掘领域一个重要分支和较新的研究方向。目前有关它的关联规则挖掘研究大多比较零散，缺乏统一的理论框架，而且由此所建立的模型及相应算法只是适用于某一特殊的数据类型，缺乏可扩展性；此外，随着Fuzzy集和Rough集理论的引入，如何结合不确定性理论进行挖掘也是尚待探索等等。 本论文，首先通过对基于相关集合事务数据库关联规则挖掘这一方法的研究，借助不确定性推理中包含度理论将之所建立的信任度与Rough集中精度进行对比分析，发现它们在数学计算上是相同的，此外，还推导了信任度的增量计算。 在时间序列挖掘中，借助Rough集理论，将传统的纯数学方法转向人工智能技术与数学相结合的方法。研究了使用Rough集进行挖掘的思想、方法及某些方面的改进，并总结了利用Rough集进行挖掘的常用策略。 其次，为了更好地刻画关联规则的时效性问题，研究了由此而建立的时态型和相应的支持度、信任度及不同类型的时态数据关联规则的描述，通过将它运用于事务数据库中，发现这种描述具有较好的理论分析与实际应用价值。 最后，探讨了模糊思想引入时态数据关联规则挖掘的必要性。