随着ERP、CRM以及MRP-II等管理信息系统在制造业企业中的广泛应用,企业积累了大量历史记录,但是缺乏有效组织、分析和集成信息的手段,无法为管理层提供辅助决策支持。而企业的采购工作要求管理者根据当前情况及时做出应对措施,因此更需要决策支持系统的帮助。本文针对我国制造业企业采购特点,详细分析了采购决策支持系统的需求。在传统DSS系统架构的基础上,结合先进的数据挖掘技术,提出了新型采购决策支持系统的结构框架,有机融合了DW、OLAP以及DM技术,既包括了传统的决策分析功能,又增加了多维数据展示和深层次的关联信息挖掘技术,为决策支持提供了多种方法。在详细分析数据仓库技术的基础上,通过概念模型设计、逻辑模型设计和物理模型设计实现了采购决策数据仓库,探讨了异构数据的整合方法。对采购决策的OLAP分析内容和方法进行了研究,在Analysis Services的基础上设计和实现销售、采购和供货等主题的多维分析,帮助企业直观准确地了解信息。针对关联规则增量更新维护,提出了改进的快速更新频繁模式(IFUFP)算法,处理最小支持度阈值不变的情况下,事务数据库增量更新的关联规则维护问题。算法根据项目在新插入事务记录和原数据库中的支持度,分为四种情况验证,将满足条件的节点插入IFUFP-tree,再调用频繁增长模式挖掘关联规则。IFUFP树中的父母节点和子女节点之间双向连结,加快了节点更新速度,最大程度地利用了已有挖掘结果,提高了决策支持系统的运行效率。针对增量挖掘问题提出了基于前缀树的频繁模式算法(IFP)。在扫描事务数据集时,将项目按照指定的规范次序添加到IFP树中,同时更新项目在项目头表中的计数值。当插入一定数量事务记录后,按照项目当前支持度降序排列项目头表,并按此顺序重构IFP树。完成后继续按照当前项目排序插入事务,并再次执行重构步骤。算法通过插入步骤和重构步骤的循环交替进行,一次扫描数据库就可以得到全部频繁项目集,满足了企业的实际需要。