本文系统的研究了Apriori算法和FP-growth算法。针对Apriori算法在挖掘频繁项集时需要多次扫描数据库进行频繁的IO操作而导致挖掘效率低下的缺点,提出了Node-Apriori(Node based Apriori)算法。该算法通过两个方面提高Apriori算法的执行效率。其一是通过二进制编码的方式编码项集和事务记录,有效的减少了项集和事务记录内存的占用,并通过利用等效的二进制数之间运算代替集合之间的运算有效的提高了运算的执行效率。其二是通过节点的方式组织候选项集,可以减少统计候选项集需要遍历的事务记录的数量。但是Node-Apriori算法仍然优缺点,由于采用的是广度优先搜索的方式搜索频繁项集,这样会导致在挖掘完频繁k-项集的时候,同级节点较多,并且同级节点中每个节点包含的事务记录是可能重复的,这样仍然会对内存占用有一定的需求。针对这个缺点,提出了Tree-Apriori(Tree based Apriori)算法,该算法利用FP-Tree的方式组织事务记录,每个节点都代表一棵子树,通过对树中节点进行合并和更新的操作就可以完成频繁项集的挖掘。通过实验验证了算法Tree-Apriori的执行效率是远远好于Node-Apriori算法和Apriori算法的。本文找到了Apriori和FP-growth的联系。Tree-Apriori是Node-Apriori的一种实现,但是在时间和空间上都是远优异于Node-Apriori算法的。并且,Tree-Apriori算法和FP-growth算法总的实现框架相似,Apriori算法和FP-growth算法在根本上是联系的。因为最近食品安全问题频繁爆出,所以选择了西安市食品抽检数据来挖掘关联规则。希望挖掘到食品安全问题的核心部分,在食品安全问题爆出之前解决掉,从而提高人们日常生活中对购买食品的放心程度。在经过数据挖掘的一系列步骤之后,挖掘到了许多关联规则,对之后的抽查提供了方向。