近年来,数据库技术得到了突飞猛进的发展,特别是关系数据库的应用,导致了海量的数据、有限的信息应用问题,引起了广大学者的重视,数据挖掘技术从上世纪九十年代应运而生,被用来解决这些问题。经过近二十年的发展,数据挖掘技术集多学科的基础知识,不断发展成熟起来,目前已被广泛应用在销售业、银行业、电信业、医疗卫生等行业上。　　 本文研究重点是数据挖掘中的关联规则挖掘,主要是总结和分析了现有的关联规则挖掘算法在医疗数据挖掘中的不足,特别是Apriori和FP-Growch两个经典算法的缺点,并分别给出了相应的改进思路,最后把改进的Apriori算法应用到了医疗数据的关联规则挖掘上,挖掘出了针对乳腺癌治疗有价值的信息。论文的主要创新点如下:　　 首先,针对Apriori算法在挖掘医疗数据中的缺点,使用哈希二次探测技术进行了算法改造,此方法使用垂直数据格式来存储数据库,可扩展性的大小与数据库的类型无关。通过二次探测(HBFI-QP)技术来计算哈希函数,克服了哈希冲突和主要的聚类问题,避免了数据库的多次扫描,使用较少的内存和时间来产生频繁项集,可以实现快速有效地访问数据,最后通过使用现实中的医疗数据验证了该算法效率优于Apriori算法。　　 其次,针对FP-Growth算法在医疗数据挖掘中存在挖掘关联规则的质量差,考虑因素过于单一,实用性比较差,生成的频繁模式过多,不能把数量和关联权重同时考虑在内的实际应用问题,提出了基于实用FP-trees树的挖掘加权实用项集的算法,提高了实用性项集的挖掘效率,避免了大量候选集的产生,从而显著减少了搜索空间,提高了关联规则挖掘的质量,并使用现实中的医疗数据验证了该算法的有效性。