本文根据数据挖掘中关联规则的性质以及高校成绩管理数据库的自身特点。在经典关联规则算法Apriori算法的基础上提出了一种改进的算法A++算法，并利用该算法对学生成绩管理数据库进行了关联规则挖掘，得到了隐含在数据库中的有用信息。

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。本文简单介绍了Apfiofi算法，提出了Apfiofi算法的改进方案—— 长项优先的产生算法，它基于传统Apriori算法，通过改变候选项集的产生顺序来减少数据库访问。从而提高效率

频繁项集挖掘算法的计算复杂性和生成的频繁项集数量随着事务集项数的增加呈指数增长，最小支持度阈值成为控制这种增长的关键．然而，实际应用中仅使用支持度阈值难以有效控制频繁项集的规模．为此定义N个 最频繁项集挖掘问题，并提出基于支持度阈值动态调整策略的宽度优先搜索算法Apriori和深度优先搜索算法IntvMatrix挖掘N个最频繁项集．实验表明，本文的2种方法的效率比朴素方法高2倍以上，特别当N值较低时，本 文方法的效率优势更为明显．

机器学习领域经典分类算法综述，包括Decision Tree（ＩＤ３、C4.5(C5.0)、CART、PUBLIC、SLIQ和SPRINT算法），三种典型贝叶斯分类器（朴素贝叶斯算法、TAN算法、贝叶斯网络分类器），k-近邻 、 基于数据库技术的分类算法（ MIND算法、GAC-RDB算法），基于关联规则（CBA:Classification Based on Association Rule）的分类（Apriori算法），支持向量机分类，基于软计算的分类方法（粗糙集（rough set）、遗传