自上世纪80年代数据挖掘被提出以来,人们就开始不断研究探索,希望找到高效准确的数据挖掘方法,来帮助解决数据量庞大而计算能力有限这一矛盾。　　 数据与数据间存在着潜在的联系,数据关联是数据库中存在的一类重要的可被发现的知识。1993年,Agrawal等提出了挖掘数据库中项集间的关联规则问题,自此诸多研究人员对关联规则的挖掘问题进行了大量的研究,并且提出了很多的经典算法。大部分算法在执行过程中多次扫描数据库,并产生大量的候选集,造成了时间和存储空间的浪费。本文在FP-growth算法基础上,对最大频繁模式挖掘算法进行了深入的研究,主要工作如下:　　 1.构造条件频繁模式树。扫描事务数据库,将频繁项目集压缩成一棵频繁模式树,保留项目集之间的关联信息。在把每个事务中的频繁项目集插入到FP-tree的过程中,采用动态指针来实现,提高存储空间利用率。　　 2.改进的最大频繁模式树(MMFIT)。MFIT中每条从根结点出发到某个叶结点的路径表示了一个全局最大频繁项集,中间结点所记录的是该结点到根结点的路径长度,在超集检测时,可以通过项头表快速地访问到包含待测项集的最大频繁项集对应的路径,然后自底向上与待测项目集进行依次项目匹配。此算法无需产生大量的候选集,同时减少数据集扫描次数,降低数据库遍历时间。实验证明,此算法在降低候选项目集冗余度的同时有效提高了算法运行效率。　　 随着信息技术的发展,数据挖掘技术的应用将更为广泛。它为人们在实际商业活动提供了许多帮助,对银行业、销售业及其他商业活动等行为具有很高的指导意义。在未来的工作中,应将更多的重点转移到如何利用数据挖掘技术为生产生活服务。