将数据挖掘方法应用到食品安全领域,可以使得海量的食品检测数据得到及时的跟踪分析,尽早地揭示其潜在的规律与异常,为食品安全的检疫监督工作提供决策支持。关联规则挖掘是研究数据潜在有趣模式的一项重要而基础性的方法,它揭示数据库各属性之间的内在关联,以易于理解的方式向用户提供大量的有趣规则。本文探讨了在食品安全检测数据库上如何应用关联规则挖掘,以及在数据库更新时,如何对已有的规则进行更新的方法。主要研究工作有:1)结合频繁项集挖掘方法的难点,分析了食品安全检测数据的各种特性,如多维度、类别属性、分布不均衡且稀疏等,讨论了频繁项集挖掘算法的复杂度与数据集本身特征之关系。2)提出了一种针对食品安全数据的稀疏特性的选择性过滤算法SSF(Selective Skeching Filter),此算法通过过滤信息冗余属性,可以为频繁项集挖掘算法和更新算法提供更小的候选1—项集,也过滤了由冗余属性值引发的大量的伪关联规则,从而大大提高了挖掘和更新算法的性能,便于根据兴趣度筛选出有意义的规则。3)针对食品安全检测数据的动态性,本文提出一种新的频繁项集更新算法UWP(Update With Portions)。在该算法中,将更新后的频繁项集分成三个子集分别处理,无需从头计算所有的候选项集,并且利用了负性边缘的性质来有效减少扫描整个数据库的I/O代价;最后,在给定食品数据集的条件下,本文对使用UWP算法来实现增量更新,与利用Apriori算法挖掘全部频繁项集,进行了对比实验。实验结果表明,该算法具有高效,可组件化,通用性强的特点。