随着高校信息化建设的不断深入,大学在利用信息化所聚集和累积起来的数据方面,有了更高的需求,“校园一卡通”、共享数据库等全局校园信息平台的建设为数据挖掘提供了数据基础。本文在深入分析研究数据挖掘相关技术的基础上,将其应用于“校园一卡通”消费流水分析,并针对其分类和关联规则挖掘所面临的问题,进行了有益的探索和研究,对进一步利用数据挖掘技术了解校园卡的消费行为,进行辅助决策分析有着一定的现实意义。本文研究了数据挖掘中的数据分类技术,重点分析了支持向量机分类方法,Apriori关联规则挖掘方法,及其在校园卡消费流水挖掘中的相关应用。首先,针对校园卡消费流水数据量大、维数多的特点,选取以径向基为核函数的支持向量机分类算法,实现对校园卡消费流水的非线性多分类。其次,在利用关联规则提取支持向量机分类结果频繁模式方面,针对关联规则在大数据量挖掘时由于多次扫描而导致效率不高的问题,提出结合布尔矩阵和增量方式相结合的关联规则挖掘改进思路,利用矩阵的运算特性和增量方式,相对有效的提高了Apriori关联规则的挖掘效率。最后,针对校园卡消费流水的应用背景,给出了针对校园卡消费流水进行分类和关联规则挖掘的整体挖掘框架模型,以及模型的反馈优化机制,实现对校园卡消费流水的分类和关联规则挖掘。并对实际校园卡消费流水数据进行挖掘实验,结果表明,在应用支持向量机分类时,样本的选择和核函数参数对分类结果起关键的影响,也验证了利用关联规则的高频繁项集反馈支持向量机优选样本思路的正确,同时还验证了利用布尔矩阵和增量方式相结合的改进方式提高Apriori关联规则挖掘算法效率方面的可行性。