数据挖掘中的关联规则分析是研究的一个主要方向,它主要用来揭示数据库中项目或属性之间的相关性,而挖掘关联规则之前最重要且繁琐的一步是频繁项集的挖掘。在传统的频繁项集挖掘过程中,最小支持度阈值设置过大或过小都会产生不理想数量的频繁项集,因此很难定义合适的最小支持度阈值。针对最小支持度阈值设置困难的问题,Top-rank-k频繁项集挖掘算法采用动态阈值的方法进行挖掘,减少了对最小支持度阈值的依赖。为了提高频繁项集挖掘的时间和空间效率,论文分别对传统频繁项集挖掘算法和Top-rank-k挖掘算法进行研究,并利用高效的数据结构、修剪策略等方法对挖掘过程中所遇到的问题进行分析,主要内容包括:针对当前传统频繁项集挖掘算法建树复杂、挖掘效率低的缺陷,提出了一种高效的传统频繁项集改进算法。该算法对PPC-tree的构建过程进行优化,提高了构建PPC-tree的时间效率,然后结合一种新的线性时间复杂度连接方法和早期修剪策略,提出一种更为高效的1项集连接方法,在项集连接过程中可实时判定项集连接可行性,接着利用差集运算来获取t(>2)项集的支持度,避免了多次复杂的子父关系判定过程,最后采用包含索引策略来减少项集连接次数。实验结果表明,该算法在运行时间和内存占用方面都有良好表现,尤其是在稠密数据集中,并且该算法可适用于多种规模的数据集。针对传统频繁项集最小支持度阈值设置困难的问题,将上述研究中的改进算法应用到Top-rank-k模式中,实验表明,此改进算法在Top-rank-k挖掘模式中仍具有较高的挖掘效率;为了进一步提高Top-rank-k频繁项集挖掘的时间效率,提出了另一种Top-rank-k频繁项集改进算法,该算法采用位图编码(bitmap-code)方式表示节点信息,可将项集连接的时间复杂度降低一个维度,然后分别提出高效的1项集和t(>1)项集连接方法,在项集连接过程中可预判项集连接的可行性,最后引入了包含索引修剪策略,进一步缩减项集搜索空间。实验表明,该算法具有较好的时间和空间效率,并且该算法能满足多数场景下的挖掘需求。