数据挖掘在最近几年里已被广泛的研究和应用，而频繁项集挖掘则是诸如关联规则挖掘、序列模式挖掘等数据挖掘问题中的关键步骤，因此对它的研究具有重要的理论和实际价值。本文的主要工作是对频繁项集挖掘领域内的经典算法FP-Growth进行改进。针对该算法存在的缺陷：挖掘过程中需要递归生成大量的条件FP-Tree来保存投影信息，过度消耗了存储空间。首先分析了造成这种缺陷的原因：原算法对项的处理顺序与投影方向重合，即“向前处理，向前投影”，若直接用原FP-Tree来保存投影信息，则会覆盖掉将来要用到的信息，造成信息的丢失，因此需要条件FP-Tree来保存投影信息。然后给出了相应的改进策略：调整原算法对项的处理顺序或投影方向，使原FP-Tree能够直接存储投影信息，这样算法的所有工作便可完全基于原FP-Tree，从而不再需要任何条件FP-Tree。以此为基础，提出了一种基于FP-Tree的改进算法：NCTree-Growth，并详细讨论了它的两种不同的实现方案：“向后处理，向前投影”和“向前处理，向后投影”，给出了它们的算法伪代码描述和相互间的比较。最后通过对NCTree-Growth算法的进一步优化，使其能够充分利用前面的计算结果，从而减少了投影次数，提高了算法效率。实验表明，NCTree-Growth的内存开销小于FP-Growth，性能也得到了提升。