目前国内外对关联规则算法的研究主要集中频繁项集的挖掘和规则的裁剪优化两个方向,研究成果颇多,但是针对零售数据目前还没有一个普遍认为最合适的算法。另外,根据零售业管理人员的信息反馈,目前零售数据关联规则挖掘存在的主要问题是:挖掘出的关联规则太多、系统运行速度比较慢、实用性不强。本文针对零售数据的特点,在算法的挖掘效率和挖掘质量两个方面的进行了深入的研究,通过分析零售数据库找出顾客的购买习惯,并解释挖掘结果,对促进将关联规则数据挖掘技术应用到零售业中积累了相当的经验,对于其他领域的数据挖掘应用也有一定的借鉴价值。本文在频繁项集挖掘方面,首先详细阐述了关联规则经典算法Apriori算法和FP-growth算法,然后通过分析零售企业的商品结构、销售策略以及销售方式,得出零售数据的特点。针对零售数据的特点我们提出了基于多最小支持度的MSApriori算法和CFP-growth算法,采用VC++对上述算法的性能进行验证分析和比较,实验显示CFP-growth算法的性能稳定,而且能够有效的控制算法挖掘的时间,在实际挖掘过程中,取得了很好的挖掘效果。本文在关联规则度量方面,首先阐述了传统的支持度-置信度体系,然后针对多最小支持度算法产生庞大的规则集问题,引入了兴趣度的概念,提出了基于距离的兴趣度关联规则算法,给出了算法的原理和步骤,实验证实该算法在实际挖掘过程中,取得了良好的效果。本文最后把以上的研究成果应用到潍坊某零售集团股份有限公司的商业智能系统BISYS中数据挖掘的研究中,对该超市的POS数据进行提取、清洗、整理、挖掘及结果展示,并将最后结果反馈给超市,取得了较好的成果。