数据挖掘(Data Mining，DM)是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。由于数据挖掘是一个多领域交叉的研究与应用领域，所以备受关注，成为目前具有挑战意义的研究热点之一。 聚类(Clustering)分析是数据挖掘的重要方法之一，也是人类活动的一个重要内容。作为统计学的一个分支，聚类分析已有多年的研究历史。本文进一步探讨聚类分析中的一些算法，针对船舶航线设计的特点，提出了k-means算法与基于密度方法、自组织竞争神经网络相结合的聚类分析方法，进而又提出复合聚类分析算法和改进的复合聚类分析算法，将它们进行分析比较，改进的复合聚类分析算法的聚类效果最好。在船舶航线的设计中，首先在从世界船位分布图上取出部分数据，再对这些数据进行预处理，然后采用改进的复合聚类分析算法，计算凝聚点，最后再求取平均密度中心点，将这些密度中心点相连便是航线。 人工神经网络(ANN)也是数据挖掘的重要方法之一，神经网络具有通过学习后可以任意逼近非线性映射的能力，而且神经网络不受非线性系统模型的限制，便于工程实现。但现在神经网络时序预测模型的输入只能是单属性的，只能进行一维预测，对于多属性事物的预测还未探究。本文提出一种基于并行递归神经网络的多维预测模型，这种模型本身具有记忆过去所有输入信息的能力，网络输出是过去所有输入的某一非线性函数，实现的是一种非线性动态映射，而且可以实现对多属性事物的多维预测。本文将这种预测模型用于平面航线和三维空间螺旋曲线的预测，预测精度较高，预测效果较好。此外，本文还利用Matlab语言作了大量的仿真预测，获得了理想的仿真结果。 本文利用从GPS得来的数据，将聚类分析算法和多属性预测方法应用在GIS的数据挖掘中，得到一些有意义的结果。