随着数据库和网络技术的不断发展进步,我们生产和搜集数据的能力有了大幅度的提高,数据量成指数级的增长,面对庞大的数据量,数据挖掘技术变得越来越重要。　　关联规则挖掘作为数据挖掘技术中一个重要的研究方向,是最近这些年研究的热点之一。将模糊集合的相关技术理论引入到关联规则的挖掘中,所形成的模糊关联规则,拓宽了关联规则挖掘研究的范围,提高了关联规则挖掘算法的精度和速度。　　论文的主要工作如下:　　1将基于目标函数的模糊聚类算法-FCM引入到模糊关联规则挖掘中。作为连续属性离散化的方法,在对 FCM算法的模糊聚类数目 c和初始聚类中心位置进行优化的基础上,提出了改进的NFCM算法,减少了模糊聚类算法的迭代次数,加快了连续属性离散化的速度;　　2在加权模糊关联规则挖掘的过程中,重新定义了模糊加权属性集的模糊加权属性,提出了新的加权模糊关联规则挖掘算法-NFWARM算法,该算法不会因为权值的引入而违反Apriori算法的反单调性,因此能直接应用Apriori算法进行加权模糊关联规则的挖掘,显著地提高了关联规则挖掘算法精度和速度;　　3在UCI Machine Learning Repository中的Breast Cancer Wisconsin(Diagnostic) Data Set(威斯康辛州乳腺癌数据集)上实现了加权模糊关联规则挖掘算法-NFWARM;同时将NFWARM算法与经典的Apriori算法进行比较,在关联规则挖掘精度和速度方面有了明显的提高。