可将关联规则从不同角度进行分类。

（1）根据规则中处理的变量的类别，可以分为布尔型的和数值型的。所谓布尔型变量是有两种逻辑状态的变量，它包含两个值：真和假，如果在表达式中使用了布尔型变量，那么将根据变量值的真假而赋予整型值1或0。布尔型关联规则处理的值是离散的、种类化的，它考虑的是项是否存在，并不关心它的量是多少，而数值型关联规则描述的是量化的项之间的关联关系，它所处理的项中有的项属性为数值型，例如规则“性别＝‘男’，收入＞5000参加高尔夫俱乐部”中的收入属性是数值型的，所以它是一个数值型关联规则。

（2）根据规则中数据的抽象层次，可以分为单层的和多层的。现实数据是具有多个不同层次的，如果能对规则的层次进一步细化和深入，则有利于发现更为实用的规则，因而出现了多层关联规则。例如，对于规则“啤酒⇒尿布”来说，“金士百啤酒⇒爱心牌尿布”就是它的细化，金士百啤酒在抽象层次上位于啤酒的下一层，故称这样的规则是同层关联规则，而对于规则“金士百啤酒⇒尿布”，由于规则中所涉及的项集处在不同的抽象层次，所以称这样的规则为层间关联规则。

（3）根据规则中涉及的数据的维数，可以分为单维的和多维的。在关联规则“X⇒Y”中，如果项集X或Y包含多个属性，则称之为多维关联规则。单维关联规则只涉及数据的一个维，多维关联规则处理的数据涉及多个维。例如，规则“性别＝男”，“年龄＝25至35之间”，这就涉及了多个属性。(www.daowen.com)

（4）除了以上介绍的关联规则类型外，还有相对于X⇒Y型规则（可称为正关联规则）的负关联规则，其对应于购物篮分析的意义是购买物品X的同时不会购买Y，不购买X但是会购买Y，不购买X的同时也不购买Y。研究负关联规则后，可能会出现一些在正关联规则中没有发现的问题，比如当同时挖掘正负关联规则时可能会挖掘出相互矛盾的规则，原因可能是因为项集间存在负相关。

（5）项目赋予权重的加权关联规则。目前的许多关联规则挖掘算法都认为事务数据库中的每个项目对规则的重要性都是相同的，但是，在实际的应用中，用户真正看重的可能只是其中的一些项目，比如在购物篮分析中，规则“啤酒⇒尿布”所带来的利润就远没有规则“电视⇒DVD”的大。作为超市的决策者可能更希望了解到和那些能带来更大利润的商品相关的规则，为了加强这些项目对规则的影响，引入了为项目赋以权重的思想，这样的规则就是加权关联规则。