由于传统的数据挖掘算法都面向静态数据,而数据库中的数据却日益更新,造成数据挖掘的结果不及时,从而影响了正确判断和决策,因此研究面向增量更新的数据挖掘算法具有重大的意义。本文主要研究关联规则和聚类的增量更新挖掘算法。提出了新的关联规则增量更新PFUP算法,该算法借鉴强频繁项集概念,利用强频繁项集连接生成小数量的候选项集,采用了预剪枝策略减少了对数据库的扫描次数。仿真实验表明,在相同的数据库和支持度的情况下,PFUP算法的执行时间比FUP算法减少了50%左右。然后,在PFUP算法上,引入了事务压缩优化措施,实验仿真证明该算法具有更好的优越性。重点研究基于密度的增量聚类挖掘算法,介绍DBSCAN算法的基本概念和算法思想以及目前两种基于密度的增量聚类算法。由于增量聚类算法只是考虑数据库增加和删除的情况,提出了当MinPts发生变化的增量聚类算法UDBSCAN,并通过实验仿真得到理论的正确性。最后,在医疗保险系统中应用并实现了一个OLAM应用模型。该模型使用浙江省某市医疗保险数据库中2005年的医保数据,建立了面向医疗保险费用和诊断项目为主题的数据仓库,从多维的角度来分析数据,并通过关联增量算法挖掘出及时的且具有价值的信息。