在数据挖掘领域中,关联规则是一种非常重要的技术.Apriori算法是其最经典的算法之一。关联规则从布尔型属性开始研究,发展到名称型属性。目前,数值型属性的关联规则已经成为该领域的研究热点之一。本文首先介绍名称型关联规则的概念、评价标准及相关技术,数值型关联规则的概念及相关技术,以及目前较为普遍的等深、等宽、聚类离散化方法,并对这三种离散化方法进行了分析比较,为动态离散化方法奠定基础。其次,重点介绍了Weka中的Apriori算法及K均值算法,为算法的实验做准备。本文研究的对象是后件数值型属性的关联规则,针对这种的关联规则提出从两个方向进行挖掘:由前件到后件和由后件到前件。由前向后的方法(ARClusterer)采用Apriori算法中挖掘频繁项集的方法先挖掘出规则前件,再根据最小支持度原则与聚类算法进行动态结合,挖掘规则后件。由后向前方法(Ahead)先分别采用三种离散化方法对末属性进行离散,并依据支持度对离散后的区间进行动态合并,从而挖掘出规则的后件,再到对应的实例集中挖掘前件。最后,通过实验把ARClusterer及Ahead的三种动态离散化方法挖掘出的结果与Apriori静态离散化方法(AprioriStatic)挖掘的结果进行对比分析,结果表明Ahead算法实现了随着支持度的不同离散区间动态变化的效果,挖掘出一些AprioriStatic算法中丢失的潜在信息,但并没有实现规则后件区间的可重叠性,而ARClusterer算法不但满足离散区间的动态效果还实现了后件区间的可重叠性。