海量的数据中蕴含着大量的信息,研究人员致力于从海量的数据中提取出有价值的、隐藏的且精简的规则,使其能够用来指导生产实践,形成人工智能决策。知识挖掘已经成为人工智能技术中的一个重要研究领域,经过几十年的研究,知识挖掘理论与应用在发展的同时也面临着极大的挑战,如知识挖掘技术未与特定的应用形成强有力的结合,与特定数据类型存在着适应问题,效率与可解释性不能达到很好的平衡等。以基础创新理论为核心的知识挖掘算法可以解决很多国际前沿与热点问题,是人工智能持续发展的保证。因素空间是机制主义人工智能理论的数学基础,它是为迎接人工智能的深刻革命而作的数学准备。本文以因素空间理论为基础,旨在解决知识挖掘面临的挑战和问题,针对知识挖掘中的数据预处理阶段和分类任务做了如下研究:（1）提出基于因素表达强度的动态离散化算法解决数据多样性问题。给出一个集合划分的新度量——表达强度,用于刻画条件因素对结果因素的表达能力,提出一种动态的离散化算法。为了减少离散化过程的复杂度,采取了朴素的启发式来减少候选断点集中的元素,最后通过实验对数据在离散化前后的分类性能比较。实验结果表明:本文提出的离散化算法通过事先离散化明显提高了分类算法的学习性能,同时也说明本文提出的离散化算法较各分类算法内置的离散化策略更优。（2）提出基于因素完整度的分类算法解决数据完备性不足等问题。提出因素完整度的概念,用于度量因素刻画概念的能力,并基于此提出完整度划分算法用于分类任务,并通过一个算例来解释算法步骤,进一步为了算法能够适用复杂的背景关系和提高应对噪声数据的能力,对其进行适应性改进,最后在多个分类数据集上进行数据实验,与经典分类方法进行对比分析。实验结果表明:样本数据往往不具有完备性且带有噪声数据,对IDA算法适应性改进后,学习准确率和学习效率较IDA算法都有所提高。通过实验对比发现,AAIDA在学习效率和学习性能上较其他分类算法均表现更佳。本文提出的表达强度是一个因素空间理论下集合划分的新度量,能够刻画条件因素对结果因素的表达能力,用于离散化明显提高了分类算法的学习性能,解决了数据多样性导致算法的适用性问题。因素完整度用于度量因素刻画概念的能力,作为完整度划分算法的因素度量准则,能够得到更简洁、高效的知识规则,解决了数据不完备和携带噪声导致的无法识别和错误识别问题。该论文有图16幅,表20个,参考文献59篇。