随着信息技术和计算机技术的发展,数据的产生和收集方式越来越多,处理数据的能力越来越强,然而“数据丰富而知识缺乏”却成为信息管理面对的一个窘境。数据挖掘能够从海量数据中提取有用的信息,对海量的数据进行有效地管理和利用。作为数据挖掘的重要应用之一,关联规则挖掘旨在从大量的、复杂的各类数据入手,将有意义的数据关联和频繁模式以一种简单、直接的方式表达出来,协助用户明确了解属性之间联系的紧密程度。实际数据库中属性值之间的层次差异较大,形式概念分析中的概念格可以反映出数据属性之间的多层、多元联系,符合现实情况,成为提取关联规则的有效方法。从大规模的形式背景中高效地构造概念格并应用到实践中是目前研究的热点问题。本文沿着建立概念、查找关联、分析变化这条主线,综合地进行了基于概念格的关联规则提取和变化研究,包含了对形式背景的概念层次的构造、到概念格上的关联规则提取、再到对提取出来的关联规则的变化模式研究这三个步骤,并对每个步骤进行了详细的设计和深入的研究。本文通过对概念格的主要构造方法进行综述,发现以往的分布式构造方法在对形式背景进行拆分的过程中并没有考虑到形式背景的数据分布特点。为了提高概念格的构造效率,给出了基于属性排序的形式背景的横向和纵向两种拆分策略,分析了拆分策略的适用范围,并提出了基于稀疏度对子形式背景构造概念格的方法。针对子概念格合并过程出现的五种情况,提出了相应的处理策略。最后设计了基于稀疏度的分布式构造概念格的算法,并通过实例和对比试验证明了该算法的正确性和有效性。在对概念格进行关联规则提取时,传统方法都是由人工设置固定的最小支持度min_sup,然而对于数据项集分布差异比较大的情况下,使用单一的min_sup产生的规则并不一定获得可信而适当的关联规则。如何恰当地设置min_sup是我们面对的另一个问题。本文提出了自适应支持度的设置和修正,与传统人工设置方面相比,提高了关联规则的准确性。本文总结了从概念格中提取无冗余关联规则的三种规则,并给出了NARMC算法,实例说明该算法比Apriori算法更为有效和准确。本文解决的第三个问题是变化数据的挖掘问题。在从概念格中提取出关联规则之后,还需要对不同时期出现的关联规则进行分析,发现变化的趋势。本文以某医疗单位对老年居民健康查体的两期数据为研究对象,通过对变化挖掘的理论研究,根据识别变化模式的三个参数：相似度、意外度和规则匹配阈值来匹配关联规则的变化模式。用相似度来判断新兴模式、增加模式和消退模式,用意外度来判断条件意外模式和结果意外模式。本文提出了用自适应方法来设置规则匹配阈值RMT,能够避免对新增模式和消退模式的误判。