现行选择题已经实现计算机机器阅卷，但选择题的难度预测还主要靠命题专家凭经验推断，其预测结果往往准确度不够而且还带有个人主观色彩。近年来数据挖掘技术在商业、金融、企业管理等领域成功应用并取得实质性成果，但是在教育领域的应用才刚刚起步。本文尝试运用数据挖掘技术和人工智能思想来构建选择题难度预测的计算机软件系统。 本文先介绍了现行选择题难度测量及表示方法，提出了选择题难度由题目本身的客观因素和考生的主观因素决定。 题目本身的客观因素又包括三个属性值：题型难度系数、知识点难度系数和迷惑项干扰性。 考生的主观因素主要包括对知识的掌握程度和对迷惑项的抗干扰能力。 作者给出了选择题难度预测系统的体系结构。它主要由三部分组成：主观因素分析子系统、客观因素分析子系统、汇总输出。 主观因素分析子系统，由WEB题库、在线答题系统、答题情况分析系统组成。 客观因素分析子系统，由题型系数分析模块、知识点难度分析子系统、迷惑项干扰性判断程序组成。 在客观性因素子系统中，作者介绍了决策树技术并把它应用于选择题题型归类中。介绍了人工智能中的知识库理论并用于建立考题难度数据库和知识点关联性继承图。给出了知识点分析及难度计算程序的算法步骤，提出了层次权重方法来计算综合型或计算型的知识点难度系数。接着又给出了迷惑项干扰性因素的表示方法及判断程序的算法，简介了模糊数学理论，并用其中的模糊评价原理来汇总客观性因素的三属性(题型难度、知识点难度、迷惑项干扰性)。 互联网的发展，WEB题库和远程在线答题系统技术的成熟，使我们采集到更多考生主观性因素的数据成为可能。因此在主观性因素分析子系统的构建过程中，原先的普通测试方法(出好样卷，选择地区和学校的学生进行测试，再试卷答题情况统计分析)，现在可以借助于网络进行。因此主观性因素分析子系统可以建立在WEB题库和在线考试系统之上。在主观性因素分析子系统中，着重论述了考生答题情况分析子系统的构建。通过与传统试卷分析系统的比较，提出数据挖掘技术在考生答题情况分析系统中的应用方法。给出了对考生知识掌握程度的挖掘统计算法和怎样表示考生做选择题时的抗干扰能力。 对于选择题难度预测总系统的输出，作者采用标准样本表对照来确定选择题难度的最终值。