在信息时代的今天，如何有效地利用大量的原始数据来分析现状以预测未来，已经成为人类面临的一个重大挑战。数据挖掘是致力于数据的分析和理解、发现数据内部蕴含的大量知识技术。目前，数据挖掘已经成为当今学术界的一个研究热点，同时，关联规则挖掘是数据挖掘技术中最活跃的研究方法之一。它是用于发现数据库中不同项目集之间的关系，而怎么快速发现频繁项集是关联规则数据挖掘技术的一个核心问题。　　 如今，关联规则已经被广泛应用于各个领域，但是算法效率不高，并且会产生很多冗余规则，本文针对此问题，根据关联规则挖掘的要求和特点，结合RS理论的属性约简方法和进化算法的思想，提出了一种改进的关联规则挖掘方法，该方法是是把关联规则挖掘过程分成两阶段处理，第一阶段，是利用RS属性约简技术对决策表进行冗余属性约简，第二阶段是对约简后的决策表利用进化算法进行关联规则挖掘。最后通过实例验证改进后的方法具有高实用价值，并且可以很好地解决原始方法中存在的问题。本文的主要工作概括如下:　　 1.对关联规则挖掘技术的定义，性质、挖掘算法、挖掘过程及其研究状况进行介绍，并详细讨论了经典的Apriori算法，和运算过程不产生频繁项集的FP-growth算法。　　 2.提出了一种改进的差别矩阵属性约简算法，其思想是从原始的差别矩阵属性约简方法上进行反思想约简，目的找出对决策影响很小，甚至没有影响的属性，然后删除，较以往的算法意义更加直观，计算也更加简单，并且在一定程度上减低了存储空间要求和提高了约简算法的速度。　　 3.提出了结合RS属性约简方法和遗传算法(Gas)的关联规则挖掘模型，从它的编码方法、适应度函数的构造、遗传算子的设计等方面都进行了详细的讨论和分析。最后，用实验数据证明该方法的可行性、有效性。　　 4.针对传统GAs收敛速度慢和交叉算子和变异算子带来的盲目性和随机性的问题，本文还讨论了一种在Gas基础上发展起来的新型进化优化算法，即分布估计算法(EDAs)。该算法具有良好收敛性能的同时，具有很好的维持群体多样性的能力。并把该算法与RS属性约简方法应用到关联规则挖掘上，取得了很好的效果。