数据挖掘是一门新兴的交叉学科，涉及到数据库技术、机器学习、统计学、模式识别、神经网络、人工智能、数据可视化等多个领域。目前它已成为数据库研究中最活跃、最令人兴奋的领域之一。 关联规则是数据挖掘研究中一个重要的研究课题，其主要的研究目的是从大型数据库中发现属性间存在的隐藏的、有趣的关系。频繁项集挖掘是关联规则挖掘的第一步，也是影响总体性能最关键的一步。因此，本文的研究重点放在了频繁项集挖掘上，研究内容主要包括以下几个部分： 1．深入研究了两个频繁项集挖掘算法。一个是经典FP-growth算法，它是基于FP-树的无候选项集产生算法，开辟了有效挖掘频繁模式的新途径。另一个是范明提出的基于单向FP-树的频繁项集挖掘算法，该算法在挖掘过程中不生成条件模式树。本文对比分析了FP-树和单向FP-树两种树结构，总结了FP-growth算法存在的问题，以及单向FP-树及其算法的优势。 2．在第一部分研究的基础上，参考最大频繁项集挖掘算法FP-Max，设计了基于单向FP-树的最大频繁项集挖掘算法Unid_FP-Max。该算法是一个深度优先算法。从算法分析和实验比较显示：对于密集型数据，Unid FP-Max算法在时间和空间开销上均小于FP-Max算法。 3．参考频繁闭项集挖掘算法CLOSET，设计了基于单向FP-树的频繁闭项集挖掘算法Unid FP-FCI。该算法是一个深度优先算法。经初步分析可知：Unid FP-FCI算法的效率会优于CLOSET算法。