随着观测手段的不断提高,以LAMOST望远镜为代表的海量观测数据的处理问题日益尖锐,使得传统的人工或半人工的数据分析方法无法满足天文学的需求。其中,天体光谱特征同其物理化学性质之间的相关性关系,对于天文学家和从事天文工作的科技人员来说有着极为重要的意义。关联规则挖掘是描述数据集中项目之间存在的关联关系。因此,采用关联规则来描述天体光谱数据各属性之间的关系,为天文学家提供准确、可靠、容易被计算机处理的光谱知识具有重要的应用价值。本论文以LAMOST为应用背景,对基于背景知识的关联规则挖掘进行了研究,主要研究工作如下: 第一、在详细分析面向关联规则挖掘的背景知识的基础上,提出了一种基于一阶谓词逻辑的背景知识表示技术,并将面向关联规则挖掘的背景知识分为两类,即启发式背景知识和归纳背景知识。 第二、针对关联规则挖掘中,模式计数代价太高、I/O效率低下问题,提出了一种基于背景知识的关联规则挖掘算法。该算法通过启发式背景知识剪枝掉不符合约束条件的候选频繁模式集,仅生成用户感兴趣的频繁模式,有效地减少了模式计数代价,提高了挖掘质量;同时通过样本挖掘获得的归纳背景知识,使得在每次数据库扫描过程中都能生成不同长度的频繁模式,能够在较少的数据库扫描次数中挖掘出全部的频繁模式。