在信息化时代,社会各领域中的数据都在急剧增长,数据挖掘成为了从数据海洋中挖取有价值数据的有效手段,关联规则作为数据挖掘领域的一个主要研究方法,能在大量的数据中找到事务之间的联系、相关性等。频繁项集生成作为关联规则挖掘的关键步骤,具有较高的时空复杂性。实际环境中数据集往往是动态变化的,为了适应其快速更新,需要通过高效的动态挖掘即增量挖掘对挖掘结果进行维护。多尺度理论可以揭示数据对象的结构和层次特征,从不同角度和层次反映它们的本质,结合多尺度特性可以有效加快频繁项集增量更新过程。在面对大规模数据时,单机下的频繁项集挖掘存在着严重的计算瓶颈,使之难以适应大数据分析的需求,因此,必须依靠高性能计算平台和技术,目前流行的分布式通用计算框架Spark提供的弹性分布式数据集RDD可以使用内存计算加快计算速度。本文通过对相关算法研究,主要贡献如下:1.结合多尺度理论,基于多尺度的频繁项集增量挖掘算法被提出,称为FPMSIM。该算法能利用不同尺度之间的相关关系实现数据的间接挖掘,从而避免数据集的重新扫描和树结构的不断调整,加快了频繁项集的更新。2.基于高性能的计算技术Spark,提出了并行FPMSIM算法。Spark是为处理海量数据而设计的通用计算引擎。利用Spark技术能加速大规模数据的处理,且依据概念分层理论将不同基准尺度数据集分到不同节点可以减少分组策略带来的开销。3.并行FPMSIM算法实现过程中,考虑到内存资源不足的问题,本文设计了低代价二次执行缓存策略（LCDERP）,该策略充分利用第一次执行获取的信息对RDD缓存进行优化。4.在不同数据集上将FPMSIM算法和一些算法比较。实验结果表明,在处理增量数据时,FPMSIM算法时间效率更高且并行FPMSIM算法是有效的。