进入21世纪后,全球已经进入了信息化时代。随着信息化程度的不断提高,世界各地的企业或其他机构都储存了大量的数据。如何从如此海量的数据中获得有用的信息并加以学习利用,已经成为信息技术发展与应用的重要课题。“数据挖掘”的提出为这一课题提供了解决的可能性。关联规则挖掘作为数据挖掘的一个重要研究分支,其主要研究目的就是从大型数据集中发现隐藏的、有趣的、属性间的规律,发现满足用户定义的最小支持度和最小可信度的关联规则。本文首先介绍了数据挖掘的相关理论;其次介绍了关联规则挖掘的相关理论和关联规则经典的挖掘算法——Apriori算法和FP-growth算法,前者会产生大量的候选集,降低了挖掘效率,后者会占用较大的内存空间,当数据库大到不容易装进内存时,算法性能下降得也很快;再次介绍了Zaki提出的一种高效的关联规则挖掘算法——Eclat算法,针对该算法有重复操作,无剪枝步骤,并且产生的候选集也很大等不足,本文提出了Eclat算法的改进算法——Eclat_N算法,通过给出两种算法的挖掘比较,可以明显地看出Eclat_N算法优于Eclat算法;最后全面地介绍了含有项目约束的关联规则挖掘问题,并给出了以Eclat算法为原型的,基于约束的最大频繁项集的关联规则挖掘高效算法。该算法是将约束条件应用到挖掘算法中,削减了候选项目集的个数,使算法的运行效率得到明显提高。对算法进行了详细的分析。实验结果表明,该算法具有较好的可操作性,并在一定程度上解决了产生许多无关或无价值的关联规则。