环境空气污染是一种复杂的非线性动态现象，受道路网络上的交通流、气象条件等因素的影响，定量揭示这些因素与空气污染物浓度的变化关系，是空气质量预测与改善的重要基础。以广东省佛山市南海区气象局空气质量监测站点周边1.5 km的半径区域为研究范围，利用改进后的关联规则算法对监测站点不同方位的道路交通流，引入气象条件，定量分析对空气污染物NO2浓度的影响，并通过线性相关分析验证关联规则的结果。（1）传统的Apriori算法计算效率低，得到的规则多为无效、不可靠。将原算法对数据库多次扫描，改变为对上一频繁K项集的元素进行扫描。并引入新的可靠性衡量指标“提升度”，及加入对关联规则结果的筛选过程。改进后的算法只需扫描数据库一次，新增的两类改进方法使Apriori算法计算效率得到提升，且增强了强关联规则挖掘的可靠性。（2）从强关联规则得出：影响NO2浓度变化的主要因素是风速、温度和气压，风速和温度与NO2浓度的变化呈负相关，气压与NO2浓度变化呈正相关。（3）引入道路交通流，结合气象因素对NO2的影响：道路交通流量大且扩散条件好，不会导致污染物迅速上升，具体表现为：当道路交通流量较大时，伴随气压较低、风速较大或者温度较高，NO2浓度处于低浓度等级，置信度较高（90%～100%）；而道路交通流小且气象条件差，会导致污染物逐渐累积，具体表现为：道路交通流较小时，伴随气压较高、风速较低或气温较低，不利于NO2扩散，且量化的置信度存在一定的偏差；考虑风向条件时，道路位于上下风向，对NO2浓度的影响也不同。（4）基于强关联规则识别的关键影响因素，与NO2进行线性拟合并计算皮尔逊相关系数，所得结果与关联规则算法的结论一致。通过以上结果，表明关联规则算法在挖掘定量关系具有较高的效率性和准确性，可为区域空气治理和预测提供技术支持。