在对大规模科学数据进行处理时,往往会因为其具有规模大、特征复杂的特点,使得理解、分析这些科学数据,并从中获取知识变得十分困难,对于这些数据,科学家已经不满足于传统的查询、统计分析手段,而需要发现更深层次的规律,对决策或科研工作提供更有效的决策支持,由此科学数据挖掘势在必行。本文主要研究适合于大规模科学数据挖掘的分类和聚类的理论和应用.以决策树,BP神经网络,基于密度,基于划分,迭代网格为主的分类、聚类技术解决科学数据挖掘中的大规模知识发现问题。本文以分类和聚类算法为主要研究对象,描述了分类和聚类算法的基本模型。在传统聚类算法的基础上,结合我们科学数据挖掘的应用对象—分子动力学数据,提出了迭代网格聚类算法,k-平均和基于密度结合的聚类算法,迭代过程中优化选择中心点的k-平均方法,以及改进型的基于距离的聚类算法等模式识别方法,能够解决传统算法带来的诸多问题(比如一些传统的聚类算法常常收敛于局部最优,发现都模式都趋近于球形,划分方法中迭代次数过多带来的效率问题)。对于高纬数据的分析尤其有利,因此对大规模模式识别的研究一定会产生极大的促进作用。最后结合一些传统的数据挖掘方法,采用已有的预处理步骤,确定了数据挖掘模型,验证了我们算法的有效性和正确性,为从大规模科学数据中提取有价值的信息提供有效的新方法。