数据挖掘是指从大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程，它是一种有趣的知识获取的过程，同时也是解决“数据海量、知识匮乏”的有效途径。数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联分析可以找出数据库中隐藏的关联网。电子商务网站中每天数亿的成交量，其中隐藏的商品之间的关联对电子商务的买家具有重要的参考意义。与单层关联规则挖掘相比，多层关联规则能够提供更加丰富、更具普遍意义的知识，能够满足更多用户的需求，因此对多层关联规则挖掘进行研究具有较大的实用价值。互联网世界的不断发展，信息及其丰富，如何快速、准确的从海量的数据中获取满足用户需求的信息，个性化的信息服务应运而生。它为具有不同个性特征的用户提供针对性服务的内容。个性化服务推荐服务作为个性化服务核心技术，其推荐质量直接影响个性化信息服务的性能。个性化推荐已成为研究热点，在很多应用领域都有所应用，如 Amazon、CDNOW、Netflix 等大型的电子商务系统，都不同程度地使用了个性化推荐系统。而目前的推荐系统在预测精度、推荐质量等方面都有许多可能的改进的地方，例如如何更好的结合用户的兴趣，分析用户的行为。用户兴趣模型是实现个性化推荐的关键，也是本文研究的重点。本文从挖掘多层关联规则和建立用户兴趣模型两个方面入手， 在电子商务网站的基础上对数据库和用户浏览行为进行分析和研究，取得主要成果如下：1、研究两种经典数据挖掘算法的优缺点，对3种多层关联挖掘算法研究的基础上提出了改进的基于FP_Growth的多层关联挖掘算法，并给出了具体的算法思想和算法描述。2、将关联规则引入到用户兴趣模型中。依赖用户的浏览行为和关联规则，对用户兴趣模型更新。3、构建了个性化的推荐系统，将基于关联规则的用户兴趣模型用到个性化推荐系统中。