关联规则的研究是数据挖掘中的重要研究内容之一，由于实际的数据是随时间变化而获得的，因而有必要对其时态属性进行分析，这样有助于揭示事物发展的本质规律，使得发现的知识更具有现实意义。目前国内外对于时态数据的研究主要是进行时序分析，对时态关联规则的研究多侧重于研究关联规则成立的时间，对于规则中各项之间在时间上的约束未进行具体的分析，基于此，论文主要研究的是各项之间在时间上的约束问题，并将此算法应用到股票数据中。 论文首先介绍了数据挖掘有关的概念、技术和研究现状，并介绍了关联规则挖掘的基本理论及经典挖掘算法。引入了一种时间理论，并把此理论具化到股票数据上，以指导对股票数据进行时态关联规则挖掘，在一定程度上对有关时间的理论研究进行了完善，以适应对股票数据的研究操作；构造了一种基于股票的事件模型，对事件间的运算及性质进行了形式化定义和研究；构造了一类基于时态约束的关联规则模型，适于描述基于时域的事件与事件之间的关联；研究了基于时态约束的关联规则挖掘的理论、算法，并进行了数值实验。 论文主要获得的研究成果如下：对经典的Apriori算法继承的基础上，对Apriori算法加了时间域的限制,形成了改进的算法TApriori，使改进后的算法可以挖掘基于时态约束的事件与事件之间的关联规则。本算法以限制产生频繁集的长度来降低时态关联规则的运算时间复杂度。并且利用这种基于时态约束的关联规则挖掘算法对股票数据进行了数值实验。通过实验所得规则与离散表中的状态进行对比，证明了算法的准确性和可用性。最后，对本文进行了总结，提出了进一步的工作方向和思路。