自20世纪80年代后期数据挖掘理论出现以来,数据挖掘有了突飞猛进的发展。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。本文主要关注数据挖掘的一个重要领域:关联规则分析。自1993年R.Agrawal提出了关联规则问题以后,引起了众多专家学者的广泛关注,使关联规则挖掘成为数据挖掘领域里最为活跃的研究方向之一。本文首先介绍了关联规则问题及其两个典型算法——Apriori算法和FP-growm算法。在分析了Apriori算法的性能瓶颈和基于Apriori算法的改进算法的基础上,提出了一种基于聚类和矩阵的关联规则挖掘算法——CM-Apriori算法,该算法只需扫描事务数据库一次,直接按事务项数聚类成矩阵,每次只需对部分聚类矩阵进行运算,就可以生成频繁项集,大大减少了扫描数据库的次数和计算成本,从而有效提高了算法的运算效率,实例分析和性能研究表明该算法优于同类算法。