近年来,随着我国经济建设和社会生产力的快速发展,空气污染已经成为大众和政府特别关注的重要话题。利用日趋成熟的数据挖掘手段,通过关联性理论方法,从空气质量数据中挖掘有价值的隐藏信息,通过分析,得到隐含在海量数据中的关联规则,对空气环境治理决策的制定具有重要意义。基于频繁模式增长（FP-growth）算法思想提出的关联规则算法,存在建树过程复杂,计算支持度繁琐的问题,导致挖掘效率较低。为此,论文提出了一种改进的关联规则算法BCLARM算法,该算法对FP-Tree进行了改进,提出了位编码链表（BC-List）结构,加快了频繁项集的挖掘速度。为了提升算法处理海量数据的能力,将BCLARM算法在Spark平台上进行了实现。最后,研究将该算法用于挖掘空气质量指标间关联性,分析产生空气污染的原因,为空气环境治理策略的制定提供理论依据。论文主要工作内容如下:（1）提出一种基于位编码链表的关联规则算法,用来解决FP-Growth算法存在的建树复杂,挖掘效率不足的问题。算法首先采用基于位图表示的节点编码模型生成位图树（BC-Tree）,以BC-Tree的节点信息作为数据结构通过按位运算来快速获取BC-List的节点集,避免了复杂的交集运算,提高了连接效率;其次通过使用超集等价和支持度计数剪枝策略,缩小了挖掘频繁模式的搜索空间。实验证明,该算法相比于FIN算法和DFIN算法具有更快的挖掘速度。（2）针对海量的数据,提出基于Spark平台的的F-BCLFARM算法,该算法使用了一种基于负载均衡的分组策略,用来对BCLFARM算法在Spark平台上的实现进行分组优化,用来达到提升挖掘效率的目的。通过实验,证明了F-BCLFARM算法在并行效果、可扩展性和运行时间上均有良好的表现,并且在处理稀疏数据集和稠密数据集时均具备较高的挖掘效率。（3）将改进的基于Spark分布式平台的F-BCLFARM算法运用于挖掘影响空气污染的空气质量指标之间的关联关系。从监测采集设备中获取每小时空气质量与气象数据,进行数据处理及离散化,并录入数据库。利用论文提出的F-BCLFARM算法挖掘处理后的数据,产生关联规则,分析关联规则并根据结果推测产生空气污染的原因,为空气环境治理提供决策支持。