面对工业中如此巨大的数据，如何利用这些数据，使其能够更好地辅助工程师做出正确的决策，已成为当前急需解决的问题，数据挖掘技术就是为了满足这种需求而迅速发展起来的一种新的数据处理技术。本文所研究的数据挖掘技术主要是：聚类、预测和规则抽取；所采用的主要方法是神经网络技术，特别是量子神经网络。本文主要研究成果如下： 1.在采用自组织映射神经网络进行聚类时，考虑到现实世界中的数据不能明确地确定其隶属于哪一类，需要采用模糊理论中的隶属度加以表示，对此，提出了模糊自组织映射(FuzzySelf-organizingMap，FSOM)神经网络。它借鉴了模糊c均值中的隶属度概念，将其引入SOM网络训练算法中。采用人工数据集和实际数据集作为测试数据，对比SOM算法和FCM算法，结果显示FSOM算法不但总能接近SOM算法和FCM算法中获得的最优聚类准确率，而且输入数据的拓扑结构也被很好的保留。在此基础上，进一步的提出了模糊核自组织映射(FuzzyKernelSelf-OrganizingMap，FKSOM)神经网络，因为它可以有效地对非类球形的数据聚类。由于FKSOM不但具有聚类的特点，而且也是一种可视化的工具，为了能够更加清楚的表达知识，在FKSOM基础上提出了知识表现模型，并且采用该模型详细分析了丙烯腈生产装置，得到了一些有用的操作策略。 2.在量子理论的框架内，解释了神经元的信息处理机制，提出了改进的量子神经元计算模型。该神经元对信息的处理分为两阶段。第一阶段为宏观信息收集部分，产生控制量子比特；第二阶段为微观信息处理部分，根据控制量子比特，改变工作量子比特，即神经元的状态。整个过程模拟量子受控非门。然后分别提出了量子神经网络分类器和量子神经网络回归估计器，采用人工数据集和实际数据集，作为分类研究对象，对比传统的神经元结构，在相同的网络结构和训练算法下，量子神经网络分类器显示出较好的分类效果和较短的训练时间。以经典函数作为回归测试研究对象，量子神经网络回归估计器也显示了较好的函数回归能力，在实际应用中，采用该网络为丙烯腈反应器建立预测模型，该网络显示出较强的泛化能力，可以较好的跟踪丙烯腈收率的变化。 3.提出了基于量子理论的连续粒子群优化算法。主要是采用了量子理论中的叠加态特性和概率表达特性，其中，叠加态特性可以使单个粒子表达更多的状态，潜在地增加种群的多样性。概率表达特性是将粒子的状态以一定的概率表达出来，通过预先定义的选择概率，确定粒子基本态|0＞和|1＞中的一个状态，参加运算的则是该状态发生时的概率，并且使用了量子旋转门保证算法的收敛。在函数的实验测试中，分别测试了自有参数对算法性能的影响和环境变量对算法性能的影响，提出了采用该算法时的参数选取指导性策略。在和其它算法的函数测试结果比较中，显示出提出的算法性能较好。在实际应用中，提出了三种进化策略为丙烯腈反应器建立预测模型，实验结果显示，这三种策略训练的网络也都可以较好的跟踪丙烯腈收率的变化。 4.提出了一种量子神经网络聚类加权集成方法。首先提出了一种基于信息素机制的离散粒子群算法，它借鉴了蚁群算法的信息素驱动和更新机制，将其引入粒子群算法中，这样就使粒子不但可以拥有全局最优信息和粒子历史最优信息，而且还可以参考已经更新过的粒子历史最优信息，增大信息交流的程度。进一步将离散粒子群算法拓展到聚类应用中，并且引入了梯度加速的定向搜索机制，加快了聚类的速度。然后采用聚类的方式和Bagging方法产生训练集，训练量子神经网络后，将多个量子神经网络集成在一起，用隶属度加权网络输出，提出了量子神经网络聚类加权集成，将其应用到工程实例中，结果显示该集成的网络能够比单一的网络更好的跟踪丙烯腈收率的变化。 5.提出了一种量子神经网络模糊规则抽取算法。首先分析了所抽取规则的表示形式，然后提出了规则的粒子表示方式，并且采用粒子群算法得到最优规则，仿真实验显示出该方法可以得到具有较高保真度的规则。在总结了前面几章的内容后，提出了预测模型的模糊规则抽取框架，应用到丙烯腈反应器中，抽取了几条重要的预测规则。