数据挖掘作为一门新兴学科,它把人们对数据的应用从低层次的简单查询,提升到从数据中挖掘知识,提供决策支持。通过数据挖掘能自动处理数据仓库中的海量数据,抽象出具有意义的模式,找出人们所需的目标知识。宏观经济是一个由诸多相互关联且存在一定因果关系的经济元素所组成的庞大系统。对于正处于转型期的我国宏观经济而言,由于经济制度、市场规范等各方面都正在建立和完善,进行经济预测与决策变得更加复杂而有意义。依托于本人参与研究和开发的省重大创新项目“基于数据仓库的宏观经济智能决策支持系统”的支撑,本文系统阐述了数据挖掘的相关理论,介绍了分类、回归、聚类、关联规则这四种常用的方法;根据数据挖掘的优点与宏观经济的特性,提出把数据挖掘作为宏观经济预测的新方法,并设计实现了数据挖掘子系统,将支持向量机算法,神经网络算法,模糊C聚类算法,最小二乘算法和Apriori算法应用于宏观经济进行数据挖掘的应用研究。实际应用表明,数据挖掘技术对经济预测能取得很好的效果。本文的创新点有:1、根据数据挖掘的优点与宏观经济数据高维、小样本、时序、多主题、多层次的特点,提出把数据挖掘作为宏观经济预测的新方法。2、将数据挖掘应用于宏观经济的分析,将零散的经济数据抽取、转换为按多主题划分的数据仓库,并使用数据挖掘中分类、回归、聚类、关联规则方法对宏观经济实际问题进行挖掘,把经济学与智能计算有机结合起来。3、提出了一种新的基于边界向量的支持向量机快速学习算法,此算法速度比传统支持向量机的速度有较大提高,计算中对内存空间的要求也有明显降低。同时由于在选择边界向量的过程中并没有丢失支持向量,从而对支持向量机的性能也不会有影响。