数据挖掘技术是解决当前社会“数据丰富而知识贫乏”问题的有效途径。数据挖掘任务种类很多，其中关联规则挖掘是目前研究和应用最广泛的课题之一。　　关联规则挖掘的任务是在数据库中，挖掘出一系列有趣的关联规则，指导人们进行决策，它既可以检验行业内长期形成的知识模式，也能够发现隐藏的规律。如何有效的挖掘出关联规则是首要解决的问题。关联规则挖掘由两部分任务组成:频繁项集挖掘;生成关联规则。其中频繁项集挖掘是关联规则挖掘任务的核心，也是整个任务完成效率的瓶颈所在。尤其是当前数据库规模日益庞大的情况下，如何快速有效的进行频繁项集挖掘，是众多研究者所关心的问题。　　本文详细介绍了现有频繁项集挖掘的两类最典型的算法:Apriori算法、FP_growth算法。在分析这两类算法优缺点的同时，继承其中的优点，采用最大频繁项集挖掘的思想，提出了基于单向FP tree的最大频繁项集挖掘算法。该算法采用单向FP tree结构，减少了传统FP tree的指针域，减少了FP tree的搜索时间。同时，采用编码技术，避免了单向FP tree带来的空间资源浪费问题。在频繁项集挖掘过程中，采用最大频繁项集剪枝策略和FP tree的支持度计数累加特性，极大减少了候选最大频繁项集的个数和遍历事务数据库的次数。实验结果表明，改进后的算法比Apriori和FP_growth算法具有更好的性能，尤其在长项集多、稠密的数据集上，该算法效率非常高。