数据挖掘是近年来迅速发展的信息处理技术。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中,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。关联规则挖掘作为数据挖掘领域的一个重要研究分支,它的任务是发现所有满足支持度阈值和置信度阈值的强关联规则。近年来,关联规则挖掘研究已经成为数据挖掘中的一个热点。而Apriori算法是关联规则挖掘的经典算法。但是在具体的关联规则挖掘应用方面经常遇到以下两个问题:(1)传统的Apriori算法对所有的项不加任何的区分:一致对待,在发现事务数据库中的关联规则过程中,会不会遗漏一些重要的模式呢?(2)如果考虑各个项的决策标准(权重)是不同的,那么项的权重如何考虑和划分呢?本文针对上述两个问题提出了一种基于三角模糊数的Apriori算法。并利用PRETI(Platform for Research and Experiments in the Treatment of Information)对Apriori算法和基于三角模糊数的Apriori算法进行了比较,验证该算法比Apriori算法确实能够有效解决上述两个方面的问题。从而说明了该算法的有效性和可行性。随着数据挖掘和数据仓库理论的成熟与应用的扩展,基于数据挖掘的客户满意度分析也日益受到人们的关注。本文根据客户满意度是客户在消费过程结束后的心理体验,而直观模糊集的相关理论正好满足了人们的这种偏好。所以结合直观模糊集理论、α截集的性质以及Apriori算法原理提出了针对客户满意度关联规则挖掘的算法。通过算例的分析和研究.验证了该算法的科学性和有效性。