计算机、网络和大数据技术在国内金融市场尤其是证券市场的应用范围越来越广,证券市场作为国民经济的晴雨表,对证券市场尤其是证券交易行为的研究具有重要的经济和政治意义。在对证券市场进行基础分析和技术解析的前提下,对证券交易数据进行挖掘、解析和研究,进而发现这些数据间的相互联系,可以有效指导证券交易实际操作。关联规则挖掘在全球证券市场交易分析中已被广泛应用,其本质是揭示出隐藏在大量数据中的依赖关系,根据依赖关系可从某一对象出发,推断相关对象的信息。挖掘股票交易序列数据的关联规则,可使投资者把握各种股票走势和股票间的关系,做出正确的投资决策,具有较大的实用价值和积极的现实意义。论文主要研究数据挖掘中的关联规则挖掘在证券交易中的相关理论、技术以及具体应用方法,主要工作包括:(1)对关联规则挖掘相关研究和技术进行了详细归纳和深入总结。论文详细描述了数据挖掘理论与技术,主要包括数据挖掘含义、模式、面临的主要问题、应用现状以及在证券交易中的应用和发展趋势。(2)提出了基于搜索项约减和权重参数相结合的Apriori优化算法。对关联规则挖掘算法进行了深入研究,解析了关联规则中经典的Apriori算法,针对股票交易时间序列数据的特殊性,分析了Apriori算法的缺陷,对Apriori算法进行改进,提出了基于搜索项约减和权重参数相结合的Apriori优化算法,着重对Apriori算法在证券新交易行为和股指交易中的步骤、流程和参数进行了优化,并对改进算法的有效性和正确性进行了理论分析和实验验证。3)在证券交易分析预测中,设计并实现了一个基于改进Apriori算法的股票交易数据挖掘分析原型系统。该系统结合当前中国股票市场的特点,将近五年的股票交易数据通过关联规则中的证券时间序列匹配的方法转化为股票市场指数的长期参数,把近五日、十日、三十日的股票交易序列数据转化为短期参数,构建一套完整的参数数据集,作为验证程序的输入,使用Visual Studio开发实验验证程序,验证了算法的有效性和准确性,改进算法对证券新交易类型及股指交易具有较好的效果。