随着信息技术的飞速发展，知识在社会经济活动中发挥着越来越重要的作用；不过，人们却也面临着“数据爆炸而知识贫乏”的困境。作为关联规则挖掘方法的重要组分，Apriori算法被广泛应用于知识发现活动中，以发掘数据隐含的规则，并取得了不俗的效果。然而，在性能方面，Apriori算法存在多次扫描数据库和生成候选项集过多的缺点，致使算法执行效率不高；在应用方面，该算法会导出大量的规则结果，大大降低了规则的可用性。随着欲处理的数据规模的爆发式增长，该算法效率低和“知识过载”的问题愈发突出。　　众所周知，领域知识对规则发现与求精有重要的启发与约束作用；同时，高质量的关联规则知识发现，不仅应包含初始规则的挖掘，也应该包含对规则的二次挖掘求精。有鉴于此，本文对融合领域知识的关联规则知识发现进行研究，提出了一种新的Apriori改进算法；针对常规知识发现方法规则过载和过度技术导向的问题，将关联规则知识发现分为两阶段，设计并提出了融合领域知识的规则再处理方法。　　首先，本文在分析Apriori算法及其改进研究的基础上，结合矩阵分块、矩阵转化、项集压缩、支持度计数等优化策略，提出了基于矩阵的Apriori改进算法。该算法可有效地降低参与运算的矩阵规模，缩小算法的搜索空间，提高运行效率，并以算例展示了其执行过程。　　然后，针对传统Apriori算法规则过载、价值低和组织无序的问题，文本提出了融合领域知识聚类的规则结果求精方法，并分析了DBSCAN算法在融合领域知识的规则聚类中的不足，改变算法初始的遍历对象，提出基于k邻域改进的DBSCAN算法。该算法对规则结果进行合理的组织分类，从而方便用户使用规则。对聚类后的离群点和边界对象，本文引用LOF算法计算其离群程度，改进DBSCAN算法挖掘离群点的不足，以期发现局部数据的细节特征，并以离群点所代表的规则作为规则的结果输出。　　最后，通过实验分析，证明了本文算法的有效性。