随着信息技术的高速发展,各行各业所产生的数据量呈爆炸式增长,但是与之相反的是人们在预测行业前景的时候却不能参考足够的、有价值的规律。所以,从海量数据中挖掘出有价值的信息成为了目前的一个研究热点。数据挖掘是当前人工智能和数据库研究领域的重要组成部分,其中关联规则挖掘又是数据挖掘领域的一大分支,关联规则挖掘旨在挖掘不同事务、属性间的潜在联系。本文的研究重点是关联规则挖掘中的最大频繁项集挖掘,本文基于原始数据库和最大频繁项集的不同压缩结构,从优化剪枝、搜索策略、超集检测等多方面对最大频繁项集挖掘问题进行了深入研究与分析,主要内容包括:对经典的最大频繁项集挖掘算法FPMAX进行了改进研究,提出了一种高效的最大频繁项集挖掘算法。该改进算法采用了一种新的数据结构TB-tree来压缩数据,并采用了B-list数据结构来表示项集,从而实现了项集间高效的求交集运算以及各项支持度的快速计算,该算法采用了针对全序搜索树的深度优先搜索策略,同时也引入了父等价剪枝技术来缩小搜索空间,最后结合了基于MFI-tree的投影剪枝策略来进行超集检测,从而保证了算法准确性。实验结果表明,该改进算法在保证挖掘出的最大频繁项集准确性的前提下,具有较高的挖掘效率。对目前较为高效的最大频繁项集挖掘算法NB-MAFIA算法进行改进,提出了一种在时间效率和空间效率方面均表现良好的最大频繁项集挖掘算法。该改进算法采用了PPC-tree结构来对数据库进行压缩,然后采用了一种新的数据结构DiffNodeset来实现对各项集进行求交集计算,本算法的关键是引入了一种新的线性连接方法来降低求2-项集DiffNodeset时的复杂度,同时采用了差集计算的原理来生成k-项集DiffNodeset,这在很大程度上提升了算法的运行效率。然后采用集合枚举树作为搜索空间,并采用了多种优化剪枝策略来缩小搜索空间。最后结合了MAFIA算法的超集剪枝策略来保证了算法的准确性。实验结果表明,该算法在不同类型数据集中进行最大频繁项集挖掘时均有良好的效果。