大数据时代的到来促进了科技的发展与进步,海量数据中蕴涵着大量未知信息,寻求数据间的相关关系变得备受关注,从纷繁复杂的数据中探索隐藏的规律需要有效的数据分析方法,因此,分析与挖掘数据计算中的相关关系具有重要价值及意义。最大信息系数(The Maximal Information Coefficient,MIC)是近几年较为有效的一种统计相关性评估算法,其具备优良的普适性(Generality)和均匀性(Equitability),MIC算法能够挖掘数据集合中潜在的相关信息,且可以度量不同类型数据间的相关性。本文主要针对MIC算法现有的不足进行研究,提出检测大规模数据集中两变量以及多变量间相关性的有效统计度量方式。本文主要创新点如下:针对最大信息系数MIC算法计算时间复杂度较高的问题,本文提出一种基于动态均分的最大信息系数(The Dynamic Equpartition Of Maximal Information Coefficient,DE-MIC)算法,利用动态均分对两变量在网格中的散点图进行不断迭代寻优,计算获得不同网格划分中的最大互信息,之后进行归一化得到最优的DE-MIC值,同时利用标准的可移植操作系统接口(Portable Operating System Interface Of UNIX,POSIX)对数据集进行多线程计算,使算法在大规模数据集上的计算效率更高。经过在多个数据集上与RapidMIC算法比较,DE-MIC算法在保持原有最大信息系数算法普适性和均匀性的前提下,计算速度更快且效率更佳。针对最大信息系数MIC算法不适用于检测多元变量间相关性,基于DE-MIC算法,提出一种度量多元变量相关性算法——非线性最大信息熵(The Nonlinear Maximal Information Entropy,NMIE)。首先将数据集合中的多变量归并为两变量并且穷尽全部归并;然后利用DE-MIC算法来评估降维后的两变量数据集的相关关系;根据得到的任意两变量间相关系数值构造特征张量,利用特征张量计算大规模数据中多变量间的非线性最大信息熵,以度量多变量间相关度。数值实验结果验证,NMIE算法在检测多变量相关关系时具有优良的普适性与均匀性,以及适合大规模数据集上的应用。