随着计算机技术的快速发展，各类应用系统中积累的数据不断增长。为了进一步利用数据,从大规模数据中发现某些有规律或有价值的信息，数据挖掘技术应运而生。关联规则挖掘是数据挖掘研究领域的重要问题之一，主要用于发现隐藏在数据之间的潜在联系。由于其应用的广泛性，一直是被广泛关注的研究问题。目前，针对关联规则挖掘算法，国内外学者已经取得了大量的研究成果。然而，传统的关联规则挖掘算法仍然存在一些不足：（1）处理数据速度不高，求解支持度过程较慢；（2）在频繁项集挖掘过程中，会产生较多的候选频繁项集，对于大型稠密数据集，将导致内存严重不足。针对以上问题，本文分别以稀疏数据集和稠密数据集作为研究对象，开展相关研究。本文的主要工作及贡献如下：（1）提出一种基于先验位运算的频繁项集挖掘算法。针对支持度求解过程较慢的问题，本文提出一种基于先验位运算的频繁项集挖掘算法。该算法首先将数据转换为垂直数据格式，并利用二进制方式存储到二维数组；其次，使用k-1频繁项集组合成为k-候选项集；接着，对候选项集进行“剪枝”操作；最后，利用深度优先搜索算法确定所有的频繁项集。实验结果表明，该方法可以有效地简化支持度计算，提高算法效率。（2）提出一种基于差集的频繁项集挖掘算法。针对传统频繁项集挖掘算法会产生较多候选中间项集的问题，本文提出了一种基于差集的频繁项集挖掘算法。该算法首先使用位运算方式计算出所有1-项集的支持度；然后，根据2-项集的diffset形式分成若干群，从而获得较高的内存利用率；最后，从不同的分群里面产生k-项集(k>2)，该操作可以有效减少判断项集是否频繁的时间。实验结果表明，该算法有效地减少了频繁候选项集的产生数量，提高了内存的使用效率。本文提出的两个算法，分别从简化支持度计算以及提高内存利用率的角度，有效地改善了传统频繁项集挖掘算法的效率。