在信息技术快速发展的时代,各种企业数据也在爆炸式的增长,如何准确、高效地从中发现有潜在价值的信息是人们一直关注的问题。数据挖掘作为一种数据分析工具,用于在海量数据中寻找未知的、创新的、潜在有用的、能够最终被理解的知识或模式。关联规则是数据挖掘研究领域的一个主要分支。Apriori算法作为挖掘规则的经典算法,主要解决数据间的关联问题和模式的挖掘。但Apriori算法及现有改进算法视数据库中数据项“平等一致”,不符合实际情况。为了更合理地挖掘规则,人们采用某种策略对数据项赋予权值,并且满足了应用需求。因此对加权关联规则挖掘算法的研究是非常有意义的。但现有加权算法存在一些问题：数据项权值设置不合理、多次扫描数据库、产生大量候选项集、连接和剪枝过程低效、串行扫描数据库时间较长等。本文在广泛研究现有加权算法的基础上,针对时间与空间效率问题进行了优化,提出了两种改进算法,并通过数据实例进行了仿真实验。其主要研究内容及创新点如下：一、提出了一种基于向量的概率加权关联规则挖掘算法。该算法采用空间换时间思路减少数据库扫描次数；以数据项在数据库中出现概率作为其权值,提升高频项的重要性；提出新的剪枝策略,减少候选项目集产生。最后采用一组数据实例与其它算法进行比较,新算法具有较好的性能。二、提出了一种基于划分的加权关联规则挖掘算法。该算法引用划分与并行思想,首先划分数据库并转换为二进制形式进行并行挖掘；其次引用一种哈希函数以减少候选二项集产生；最后以相同前缀划分频繁项集,减少连接次数。在算法最后合并所有局部加权关联规则。数据实验结果表明,新算法在性能上有较大提高。论文在最后总结了本次开展的所有研究工作,并提出了后续研究内容以及对未来的展望。