随着数据库技术的成熟应用和Internet的迅速发展,人们利用信息技术产生和搜集数据的能力大幅度提高,使得从大量数据中挖掘出有用的信息或知识成为一个迫切需要解决的问题。正是这种需求推动了数据挖掘兴起和数据挖掘技术的发展。数据挖掘经常要面对一些有噪声、杂乱、非线性的数据,而神经网络具有良好的鲁棒性、自适应性、并行处理、分布存储和高度容错性等特点,因此神经网络非常适合用来解决数据挖掘的一些问题。本文简单阐述了数据挖掘和人工神经网络的基本理论。在分析数据挖掘各种技术的基础上,对神经网络方法在数据挖掘中的应用进行了研究分析,接着着重研究了基于RBF神经网络的分类数据挖掘方法。并将遗传算法和RBF神经网络有机结合,利用遗传算法优化RBF隐层中心参数和宽度；同时提出了改进的遗传算法。实验表明改进的遗传算法优化RBF神经网络用于数据挖掘能提高网络的逼近能力和分类准确率。本文研究主要内容如下：(1)介绍RBF神经网络的工作原理以及在数据挖掘中的性能分析。(2)对遗传算法进行了分析和研究,针对基本遗传算法存在容易早熟和局部搜索能力弱等缺点,通过对遗传算法中的交叉算子和变异部分进行改进,比较它们在相同的搜索环境下的性能差异。(3)通过改进的遗传算法来优化RBF神经网络的中心参数和宽度,实验证明,运用此方法可在一定程度上提高网络的逼近能力和准确率。