近年来,随着互联网与计算机技术的快速发展,人们利用新技术生产、获取、存储数据的能力有了很大的提升,各领域都积累了相当大规模的、存储形式各异的数据。而这些数据里往往隐藏着很多有用的信息,怎样挖掘出这些信息逐渐成为了一个亟待解决的问题。数据挖掘(Data Mining)技术就是为了解决这一问题而生的,数据挖掘是从海量、无规则的数据里,提取出其中隐藏的有用知识的过程。关联规则挖掘技术是数据挖掘领域的一个重要分支,主要研究事务数据库中有利用价值的项与项之间的联系,而忽略项本身的意义及其顺序。主要应用领域有商业推荐系统、医疗诊断系统、金融投资等,关联规则挖掘从原始资料集合中找出高频项目组,并生成关联规则。本文主要针对关联规则挖掘的经典算法所存在的问题进行改进,通过借助GPU体系架构的多核多并发的并行计算能力,针对算法中影响效率的两个过程进行重新设计与并行化改进。本文首先对GPU体系架构和CUDA编程环境进行了深入研究,并结合算法的实现过程,在数据结构与算法流程方面进行了重新的设计,利用GPU与CPU的协同工作,复杂的逻辑处理部分在CPU中实现,并行计算部分在GPU中实现,利用各自性能优势提升算法性能。本文设计的基于GPU的并行关联规则挖掘算法主要有以下几个模块：基于前缀树的候选集生成模块,GPU支持度计算模块,CPU支持度计算模块,非频繁项消除模块。性能测试阶段本文选取了四种不同的测试数据集对改进算法性能进行了测试,并且选取另外几种算法作为对照组,对其性能进行测试并做横向对比,得出结论：基于GPU的并行关联规则挖掘算法在算法性能上有了较大的提升。