随着互联网的迅速发展，网络中每天都会有TB级以上的数据被产生，单一的主机已经无法负担起海量数据的存储和运算。因此使得大数据、云端运算、数据挖掘等相关议题成为近几年非常热门的议题。而数据挖掘算法更是被广泛应用在不同领域。本论文针对一个在频繁项集挖掘中具代表性的经典算法─Apriori算法运用在巨量数据时可能产生的问题，进行深入研究与探讨，发现以往基于Hadoop提出的Apriori算法会随着数据库的数据量的不断增加及支持度缩小，计算时间将会大量增加。运算中内存的消耗和数据传输的延迟直接影响运算效率。因此，本论文提出了“一个基于MapReduce计算模型的高效率频繁项集挖掘算法”，通过减少低频项集的产生，进而减少内存消耗和数据传输量。为了进一步提高内存利用率和降低数据传输量，基于IOMRA算法提出了优化算法，“基于云计算的Apriori传输效率优化算法”，改进算法中Key/Value对的存储形式，进而减少内存负载量，减少运算中数据传输量，有效提高运算效率。本论文中，通过对原始数据的预处理，再利用交易数据库中每笔交易记录的长度，确定Map端最大合并候选项集的阶次，从而有效减少非高频项集的产生。并且，通过改进Apriori算法中Key/Value对的存储形式，使得Apriori算法在MapReduce的运算中，能够大量减少主机内存的负载量，减少计算机之间的数据传输量，有效地提升运算的效能。