随着计算机科学与信息技术的发展，当前许多制造企业已经引进了诸如ERP（企业资源计划），PDM（产品数据管理），PLM（产品全生命周期管理）等一些信息化管理软件系统，对产品的设计文档、图纸以及零部件有一套基本的电子化管理流程。这些信息系统能在一定程序上减小人工操作的繁杂度，但是随着产品迭代速度的升级，在快速设计时代如何能够在最短时间内设计出一款能够满足市场需求的产品对制造产商来说是一个更加严峻的挑战。在企业现有的信息化系统中，储存的产品数据包含着设计人员许多年的成果与经验，利用好这些已有的数据并挖掘出潜在的价值就能更好地协助新产品的开发。本文主要围绕整车产品族设计采用知识发现的方法进行探索，分别在产品设计检索中的BOM匹配、产品族的形成、产品族配置性能预测三个方面进行研究，这三者分别属于知识发现中的分类、聚类和预测问题，通过机器学习的相关算法来挖掘出大量潜在的数据价值，用来协助设计人员的开发工作。　　对于产品设计检索，本文将以树调和算法为基础针对产品BOM进行改进，应用于产品设计检索中的BOM匹配上，快速找到与新产品BOM相似度最高的旧产品BOM，以协助新产品后续的工作(如产品工艺，产品装配次序等)。并且作为进一步的应用，本文第二部分提出一种改进的BOM匹配方法，考虑到组件数量和层级的影响将产品BOM转化为矩阵形式，最后基于改进的Robinson-Founds距离用层次聚类的方法来形成产品族。对于产品族配置性能预测，首先用粗糙集的相关理论对配置好的布尔信息表属性进行约简，然后采用集成学习的Adaboost算法,以支持向量机(SVM)作为弱学习机，提出Adaboost_SVM算法，将系统中的数据分为训练样本和测试样本，实现一个可靠的预测模型，以准确高效地响应动态变化的个性化市场需求。针对以上三方面的研究本文都会给出具体的应用实例，以证明算法模型的实用性。　　最后会在课题所依托的平台上初步实现整车产品族知识发现模块，对功能的设计和实现进行了详细分析，并且给出了具体界面说明。