随着金融业务的发展,业务变化越来越频繁,仅依赖业务专家总结业务规则的速度已经难以跟上业务变化的速度,采用数据挖掘的方法辅助业务规则快速发现和验证具有重要的实际应用价值。本文以一个大型银行对账系统的规则挖掘为背景,系统研究了分类规则挖掘的方法,提出了分类规则挖掘的方案。首先,本文介绍了本项目的背景和需求,阐述了将金融规则挖掘转换为分类规则挖掘的过程。介绍了金融规则挖掘中数据平衡和非平衡,有分类标签和无分类标签四种场景。然后,本文研究了基于决策树的分类规则挖掘方法。针对有分类标签的非平衡数据集,本文提出了基于KNN的样本选择与决策树算法相结合的分类规则挖掘方法。该方法通过找到与分类最相关的正样本,有针对性地对正样本采样,达到数据平衡化的效果。通过实验对比证明对非平衡数据集,该方法比一般的决策树算法提炼出的分类规则更简洁,更符合真实情况。最后,论文针对无分类标签的平衡数据集和非平衡数据集,分别提出了基于聚类的分类规则挖掘方法和基于LOF算法的分类规则挖掘方法,通过人-机协作的多迭代过程,使得在取得较高规则准确度的前提下,大大减少人工标注数据的工作量。通过实验对比证明对平衡数据集,基于聚类的分类规则挖掘方法收敛速度更快,在保证规则准确度的前提下标注的数据更少；对非平衡数据集,基于LOF算法的分类规则挖掘方法收敛速度更快,在保证规则准确度的前提下标注的数据更少。