关联规则挖掘是数据挖掘的一个重要内容，计算频繁项集是关联规则挖掘中的关键技术和步骤。这方面的算法主要代表有两类：Apriori类算法、FP-Growth类算法。Apriori类算法缺陷之一是需要多次重复扫描数据库；FP-Growth类算法是基于内存的，这类算法缺陷之一是当项目比较平衡或支持度阈值较低时，无法将树形结构一次性全部装入内存。这两类算法在频繁项集的计算过程中，仅计数量不计内容，即支持频繁项集的事务集合被舍弃了。 针对上述问题提出了基于二维表的关联规则挖掘方法，算法的中心思想是基于前缀迭代计算，包括静态计算和动态计算两种，并借助.NET开发环境建立了实验平台。该算法将原事务数据经过压缩处理之后，以字符串的形式存储在二维表中，避免了重复扫描数据库。该算法优势主要有两方面：一是挖掘结果中包含支持满足min-sup频繁项集的事务集合，即保留频繁项集的时序特征。二是基于前缀的迭代思想保证在挖掘过程中，组合模式的计算量达到最小，如在相同的实验条件下，对主对角线上元素值为0，其他元素为1的20×20阶矩阵，FP-Growth算法将无法运行。之后将此算法应用于航空事故数据分析，得到了良好的实验结果。 最后指出了该算法的不足之处，并对该课题的发展前景和探索的方向进行了展望。