随着信息技术的发展,数据挖掘技术得到了广泛的关注,这促使业界人士对该项技术进行更为深入的研究。在数据挖掘技术中有很多研究领域,关联规则数据挖掘就是其中一个重要的研究方向,对它进行深入研究不仅有着重要的理论意义,而且有着极其重要的应用价值。关联规则挖掘算法是关联规则数据挖掘研究中的主要内容,迄今为止已提出了许多高效的关联规则挖掘算法。频繁项集(Frequent Itemset)的挖掘是数据挖掘中的一个基础和核心问题,具有广泛的应用领域。由于它是数据挖掘过程中最耗时的部分,挖掘算法的好坏直接影响数据挖掘尤其是关联挖掘的效率和应用范围。因此,最大频繁项集挖掘算法的研究具有重要的理论和应用价值。本文首先对数据挖掘技术的现状与发展进行了分析和总结。然后对关联规则的基础知识做了详尽解释,尤其是在传统环境下的频繁模式挖掘领域中,很多学者在这方面做了大量的研究工作,取得了瞩目的成绩。重点研究了经典Apriori算法和FP-growth算法的思想、实现过程,对两种算法的性能进行了比较。其次对半结构化环境下,频繁模式挖掘的原理和技术做了详细的阐述。例如:半结构化数据特点,半结构化数据模型,XML技术等。最后,在分析了现有最大频繁项集挖掘算法的基础上,针对已有算法中有环路,岔路以及构造步骤较多等方面的不足,提出了一个改进的挖掘最大频繁项集的算法,其特点为统一地解决岔路及环路问题,进一步减少构造压缩树的步骤。在仿真试验中可以体现出算法特点。