数据库中的知识发现(Knowledge Di scovery in Databases，简称KDD)是数据库和人工智能领域研究的热点课题，其目的是在数据库中提取隐含的，先前未知的，潜在有用的知识。数据挖掘领域的高速发展成为必然，高效的数据挖掘方法也越来越得到重视。目前的许多知识发现大多是“从零开始”的、无需领域知识的独立发现，既没有发挥已有知识的作用，也没有对以后的发现提供必要的积累。研究发现，领域知识在数据挖掘中具有至关重要的地位。 概念格通过概念的内涵和外延及泛化和例化之间的关系来表示知识，因而适用于从数据库中挖掘规则问题的描述。在概念格的内涵中引入等价关系，可得到概念格的扩展形式，可以更清晰的表示概念内涵之间的关系，更有利于知识提取。在信息检索、软件工程和KDD等领域，概念格已经显示出一定的应用价值，但概念格有其局限性，由于概念格是描述属性与对象之间的完备分层次结构，其完备性导致格结构规模的庞大，一定程度上制约了其应用。 本文详细地讨论、分析了领域知识在数据挖掘中的作用、研究现状和应用前景等。把领域知识作为发现过程的重要组成部分，并将所发现的知识与原有知识融合，合理利用领域知识将有助于降低数据规模，提高知识发现的效率和质量。本文在此基础上将领域知识和概念格模型结合，提出了基于领域知识的概念格缩减算法。在数据挖掘中领域知识的表示方法有其不同特点，针对概念层次树形式的领域知识，提出两种算法DKLT和DKLTM，并通过实验加以验证；针对概念层次图形式的领域知识，初步讨论了算法DKLG。通过领域知识和概念格扩展模型的结合，来提升属性值的层次，从而提高发现的层次和质量，降低格的规模，以更有效的进行知识发现。 未来数据挖掘环境，将会把领域知识和挖掘过程更加灵活、有效的结合在一起，并将利用挖掘结果来更新领域知识。领域知识有希望同挖掘方法一样，成为挖掘环境中的核心部件。