当今世纪数据库迅猛发展,信息量激增,数以万计的数据中隐含着很多有用的信息,为了将有价值的知识从中挖掘出来加以利用,便产生了数据挖掘这项技术,而分类是它主要研究的一个层面。原始的朴素贝叶斯分类算法的应用最广泛,综合效率较高,然而它最大的缺陷就是假设属性之间相互独立,这对它的分类性能产生了某种程度上的影响。本文针对朴素贝叶斯分类条件假设的固有缺点,结合特征选择和关联规则中的频繁闭项集,来提高朴素贝叶斯分类器的性能,让分类更加准确。论文主要工作如下:首先,提出了一个基于支持向量机的朴素贝叶斯分类算法。由于实例中包含了大量不相关的特征,导致整个学习系统的识别能力有一定程度的减弱,通常需要在学习一个算法之前先进行特征选择,只保留那些最为相关的特征。基于此,本文用支持向量机做特征选择,结合朴素贝叶斯理论提出了基于支持向量机的朴素贝叶斯分类算法,并通过数值实验与原始的朴素贝叶斯分类算法进行对比,验证了本文提出算法的效果更加理想。其次,由于目前熟知的一些关联规则挖掘算法在生成规则这一过程中,需要使用支持度-置信度来删除没有实际意义的模式,针对这一框架存在的缺陷,将统计学中相关性度量的概念引入其中,给出了一个新的兴趣度模型,并通过实证分析验证了其不但是可行的,而且更加高效。然后,由于一个数据集通常会产生大量的频繁项集,并且最小支持度越小数量就越大,然而频繁闭项集往往比频繁项集的数量大大减少,它不但保留了频繁项集的完整信息,仅根据频繁闭项集就可以推断出所有的频繁项集和它的支持度,而且通过闭频繁项集产生的关联规则也可以推断得到频繁项集产生的全部规则。因此本文将关联规则中频繁闭项集作为训练集,利用频繁闭项集内各属性间的依赖性消减朴素贝叶斯分类算法的条件独立假设给分类性能带来的负面影响,提出了与关联规则挖掘算法产生的频繁闭项集相关的朴素贝叶斯分类算法,数值实验验证了提出的新算法性能要远远超过一般的朴素贝叶斯分类算法。最后,概括总结了本文的主要研究内容,并提出可以进一步研究的方向。