本文主要研究利用数据挖掘技术进行纳税信用等级划分以及信用等级划分系统的开发。文章首先阐述了纳税信用分析研究的必要性、国内外研究现状和研究背景、意义和数据挖掘技术相关方面的知识。然后介绍了信用及信用评价的相关模型。针对纳税信用等级划分,分析和总结出神经网络模型是目前良好的信用评价模型。 本文较系统地阐述了数据挖掘技术中的异常检测和聚类技术。基于多策略研究的思想,提出了基于异常的多策略聚类检测技术。它不但能挖掘出异常数据,且提高了聚类的准确度,为纳税信用等级划分的数据预处理和神经网络的训练提供了保证。本文深入地分析了前馈型神经网络中BP网络训练算法,指出了它收敛速度慢,容易陷入局部极小点等问题,同时提出从两个方向优化BP算法。基于坐标轮换思想,阐述了一种非梯度网络训练算法——单参数动态搜索算法(SPDS),它克服了BP算法收敛慢,误差大等缺点。实验表明SPDS比BP算法具有更快的收敛速度,误差小,更好的泛化和容错能力等优点,更加适合实际应用。 本文最后提出了运用基于单参数动态搜索算法的神经网络模型来划分纳税信用等级。从太平地税分局数据库中抽取出经过预处理的数据作为网络训练的样本,同时生成神经网络分类器。实验结果分析得出相比目前的纳税信用等级划分常用的综合评价百分制方法,本文的方法克服了人工评价不客观,评价结果粗糙等不足之处。同时结合“太平地税分局纳税信用等级划分”的课题实践,设计了一个基于数据挖掘技术的纳税人纳税信用等级划分分析系统原型,为进一步开发提供参考和借鉴。