在连续数据的关联规则挖掘中,属性值的离散化是挖掘的一个重要环节。连续数据的最优离散化是一项挑战性研究。在关联规则挖掘过程中,离散化不确定性会不断传播和积累,从而直接影响挖掘获取的知识的可靠性及适用性。本文提出一种新的离散化不确定性评估系数,并进一步建立了离散化不确定性在关联规则挖掘中传播的量化分析方法。首先,针对现有离散化评估系数在描述精度与运行效率中的局限,本文提出了一种基于个体的离散化不确定系数。这种方法以标准分数作为区间内及区间间数据的总体相似性度量标准,考虑个体在各区间中的相对位置分布来评估离散化可靠性。实验表明,新的评估系数与现有常用度量系数的结果相一致。在保证离散化评估有效性的前提下,新系数具有较高的描述精度与运行效率,对于海量数据的处理及特殊分布的探测更具优势。在离散化不确定系数计算的基础上,寻找类间方差/类内方差的全局最大值,将离散化结果进一步划分为不确定区间与可靠区间,进而判断离散化不确定性在关联规则挖掘中的传播。在关联规则评估指标——支持度、置信度与作用度的计算中考虑离散化不确定性造成的可靠偏移,定义了规则不确定性评估系数的计算方法,实现了对关联规则更为准确和完整的评价。将离散化不确定性评估及其在规则挖掘中的传播度量应用于挖掘中的离散化方法组合探测,从而在关联规则应用中尽可能减少离散化不确定性的影响。选用湖北省江汉平原地区粮食生产能力为研究对象,对属性离散化的不确定性及其传播影响进行分析。实验结果表明,本文所提出的离散化不确定性评估方法可有效描述实际连续数据集的离散化不确定性分布,进而对关联规则挖掘中的离散化不确定性进行量化评估,得到应用目标下对关联规则可靠度影响最小的离散化方法组合。