关联规则揭示项集间有趣的相联关系，可广泛应用于市场营销、医学、金融、生物、电信、农业等领域，是数据挖掘的重要研究课题。自1993年R．Agrawal，R．Srikant首次提出该问题以来，已出现了许多关联规则挖掘算法。 Fp-growth算法是当前挖掘频繁项目集算法中应用最广，并且不需要候选集的一种挖掘关联规则的算法。但是，Fp-growth算法在挖掘大型数据库时占用内存大和运行速度慢。为了克服这些不足，本文基于Fp-growth算法提出了两种新的适合于挖掘大型数据库的关联规则算法，即新算法1和新算法2。 这两种新算法采用不同的数据库分解方法将数据库分解，然后对分解得到的各个数据库子集用Fp-growth算法进行约束频繁项挖掘，得到含有各个频繁1-项集的项的频繁项集，最后将这些频繁项集合并起来便得到整个数据库的所有频繁项集。在进行数据库分解时，新算法1是对数据库进行频繁1-项集的项总数次扫描，每次扫描分别得到各个频繁1-项集的项的数据库子集；而新算法2则是将数据库分解为一个保存事务信息的数据链表组，并用消除头项、迭加后继项的方式将数据链表组中的首数据链表分解，然后组合成新的数据链表组，并继续分解其首数据链表。如此反复下去，逐步地组合成频繁1-项集的项总数个数据库子集。 本文通过实验比较了两个新算法与Fp-growth算法的性能。实验表明，当最小支持度较小或者数据库很大时，新算法1和新算法2由于所采用的数据库划分策略缓解了Fp-growth算法单独使用时对内存的巨大需求，占用内存小，因而，挖掘速度比Fp-growth算法快，是适合于大型数据库的关联规则挖掘算法。且新算法2由于创建数据库子集的时间开销比新算法1小，因而比新算法1的运行速度更快，所以新算法2比新算法1更适于挖掘大型数据库。 本文在提出了新算法1和新算法2后，还介绍了新算法1和新算法2挖掘关联规则的一个应用实例。