数据挖掘技术是随着信息技术的迅猛发展而形成的研究和应用热点。关联规则挖掘是数据挖掘中的重要分支,是目前应用最广泛的一种数据挖掘类型。本文在研究关联规则挖掘技术的基础上,开展了基于关联规则的医学数据的分析与挖掘研究,主要成果如下: 1.概述了关联规则的基本概念和基本理论,描述并分析了经典关联规则算法Apriori与FP-growth,在此基础上提出了Apriori算法改进,并给出实验验证。 2.对分布式环境中关联规则挖掘问题,描述了分布式关联规则挖掘算法DMA与FMGMFI。对DMA算法作出了改进,降低了内存与通信消耗,并给出了实验验证。 3.分析了医疗数据的特点,以医学数据集为例描述了从医疗数据中发现关联规则及将医疗数据转换成事务数据格式的预处理方法,以门诊数据为例,分析了关联规则的应用。 4.在针对一般关联规则算法在挖掘医学信息关联规则的挖掘时出现的问题,提出了FP-growth算法的改进,并用医学影像数据实验测试。结果表明可以减少产生无兴趣的规则的数量,从而能快速发现有趣的医疗关联规则并具有较高的分类准确性。并在此基础上提出了一个基于关联的自适应分类规则挖掘模型。