数据挖掘是当今计算机应用技术和理论研究中最热门的领域之一,经过二十多年的发展,已经逐渐建立起系统的挖掘理论和成熟的挖掘技术。分类规则挖掘作为数据挖掘的一个重要分支,引起了不同领域学者的广泛关注,其中以遗传算法和遗传程序设计为代表的演化计算方法因为其智能性、并行性、不确定性等诸多特点成为其中一个特殊的分支。基因表达式编程是在结合遗传算法和遗传程序设计的优点的基础上提出的一种新的遗传算法,在数学建模方面取得了非常好的效果并在许多工程领域取得了应用。本文以基因表达式编程和分类规则挖掘为主要研究对象,研究基于基因表达式编程的神经网络和决策树算法及其在分类规则挖掘中的应用。本文的主要工作和成果如下:1.在简要介绍GEP技术主要思想的基础上,分析了基因表达式编程的编码特点及其技术优势的实质,总结了一些比较有影响的GEP分类方法,着重讨论和比较了基本GEP分类方法和精确与简洁GEP分类方法。2.分析指出了传统GEP神经网络方法不能用于二次及以上建模问题的缺陷,并提出了一种混合式GEP神经网络方法,并在此基础上进一步提出了一种改进的GEP神经网络演化方法,实验证明该方法在回归和分类问题中均能取得良好的效果。3.针对GEP神经网络解决多分类问题需要进行数据切分的不便之处,引入GEP决策树算法,并针对该算法在常数数值数组产生策略中的几点不足,提出了一种基于均匀常数分布的GEP决策树算法,实验证明该算法优于传统C4.5算法和标准GEP决策树算法。4.在开源数据挖掘平台WEKA上独立实现了混合式GEP神经网络算法,在开源演化计算研究平台ECJ上独立实现了标准GEP决策树算法和基于均匀常数分布的GEP决策树算法,为针对各种算法的验证和比较提供了支持。