数据挖掘是从数据中挖掘有用、有趣的知识的过程,关联规则挖掘是数据挖掘的主要功能之一,其目的是发现事务项之间存在的隐含关联。随着人们进入大数据时代,传统的单机关联规则挖掘算法已难以满足需求,表现出挖掘时间过长、内存无法处理待挖掘数据等问题,这促进了大数据关联规则挖掘算法的研究。在目前的大数据关联规则挖掘算法的研究中,大多是基于MapReduce并行计算模型、Hadoop分布式平台实现,并行算法的整体性能仍然取决于核心关联规则挖掘算法的性能。对此,本文研究关联规则挖掘的一种高效算法PrePost,充分分析它存在的问题,在此基础上提出一种改进算法Prune-PrePost,继而提出基于MapReduce计算模型的并行化算法MRPrune-PrePost,并将其应用于滑坡变形的规律挖掘。本文的主要工作如下:(1)研究关联规则挖掘的一种高效算法PrePost,充分分析了它存在的问题。PrePost算法通过N-list的交叉运算来挖掘频繁项集,事实证明,它是高效的算法。但是充分分析PrePost算法后发现它存在如下的问题:挖掘频繁2-项集的时间消耗很大;算法剪枝程度不够,仍然存在大量的候选项集需要验证频繁性。(2)提出了一种改进算法Prune-PrePost。针对PrePost算法存在的问题,本文提出了一种改进算法Prune-PrePost,算法的改进点如下:首先,提出一种“确定频繁项集——求项集相关信息”的方式挖掘频繁2-项集,整个过程不需要产生候选项集,也不需要后续的验证其频繁性,从而提升算法挖掘频繁2-项集的性能;其次,提出一种更大程度修剪项集搜索空间的剪枝策略,Prune-PrePost引入一种集合-枚举树的结构,用集合-枚举树代表搜索空间,继而提出一种基于项集的超集等价性质的剪枝策略,这种剪枝策略能够修剪更多的频繁项集的搜索空间,从而促进算法整体性能。本文对提出的Prune-PrePost算法进行实现,并通过大量实验验证其性能。(3)提出了基于MapReduce计算模型的并行化算法MRPrune-PrePost。本文提出Prune-PrePost基于MapReduce计算模型的并行化算法MRPrune-PrePost,并对Hadoop集群节点负载进行优化,提出一种负载均衡的分组策略,该分组策略能够较好地平衡集群中各节点间的负载,从而提升并行算法整体性能。另外,为了使最终挖掘结果更利于获取感兴趣的信息,本文提出一种输出项的top-K频繁项集的方法。本文搭建Hadoop分布式集群,对提出的MRPrune-PrePost算法进行实现,并通过大量实验验证其性能。(4)基于MRPrune-PrePost算法,结合海量监测数据,研究了滑坡变形对诱发因子的响应规律。本文结合三峡库区白水河滑坡多年的监测数据以及其它环境数据,基于MRPurne-PrePost算法挖掘了白水河滑坡对降雨及库水位的响应规律,并取得了一系列有用的规则。