数据挖掘是从大量数据中发现人们感兴趣的、隐藏的、前所未知的知识，而挖掘关联规则是一个重要的数据挖掘问题。本文对目前基于支持度-置信度框架的关联规则挖掘算法进行了分析与研究，发现利用支持度、置信度这两个标准来衡量关联规则存在两个主要问题： 1．有可能挖掘出一条即使支持度和置信度均很高，但却是不感兴趣的、虚假的，甚至是误导的关联规则。 2．不能挖掘出带有否定项的关联规则。 为了解决这两个问题，本文首先提出了增加兴趣度的第三个度量值——相关支持度。当挖掘出一条关联规则的支持度、置信度、相关支持度同时大于最小支持度、最小置信度、最小相关支持度阈值时，才被认为是有意义的模式；其次把相关支持度小于1的项集引入否定项集，来产生带有否定项的规则。 通过以上改进，设计出一个较好的、有效的关联规则挖掘算法，实现了尽量仅产生有趣模式，优化了关联的挖掘。