人类对于腐蚀行为的研究已经进行了数百年,其中一项重要的挑战就是预测材料自然环境腐蚀的长期发展趋势。由于自然环境腐蚀试验的时间跨度长,空间分布广,腐蚀影响因素复杂多变,其数据通常具有高维度、小样本、数据分布蕴含层次结构、高噪声等特征,这些都增加了传统数据分析方法处理腐蚀试验数据的困难性。因此需要开发适合数据特点的新技术和新算法来预测材料的自然环境腐蚀行为规律。预测是数据挖掘的关键任务之一,随着数据挖掘理论体系的完善,优秀算法不断涌现,但对于高维度、小样本、具有层次结构、数据质量较低的现实数据,现有模型和算法还不能很好的满足实际应用需要。本文在数据挖掘理论的指导下,力求提出能够有效处理高维度、小样本数据,可以合理描述数据层次结构,对数据质量问题具有容错性的预测算法,并将其应用到材料在自然环境腐蚀研究中,挖掘有现实意义的信息,对腐蚀的发展规律进行预测。提出了一系列创造性的思路和方法,主要研究内容和创新点包括：第一,对于数据质量较低、样本容量较小的数据,本文提出了基于梯度提升机的I-BRT算法。在梯度提升机的基础上,提出了三点改进,一是通过引入ε-不敏感损失函数,将模型建立在结构化风险最小化理论基础上,提高模型泛化性能；二是以选择性集成理论为指导,采用动态收缩系数对原算法进行改进；三是借鉴随机森林算法的思想,在模型集成过程中增强各基函数的差异性,以提升集成模型的性能。实验结果表明,应用I-BRT算法建立的模型能够准确的预测材料在自然环境中的腐蚀率,对于数据的高维度、缺失值、高噪声等问题具有较好的鲁棒性,适合小样本数据的处理；第二,对于高维度、小样本数据,本文提出了基于Lasso方法的SALP算法。采用Bayesian Bootstrap算法重构样本,通过多模型集成对预测变量进行预选,消除数据扰动和离群点对于训练模型的影响；应用偏最小二乘权重系数改善Lasso方法在处理小样本数据时的参数估计准确性问题。实验结果表明,SALP算法适用于高维数据的变量选择和模型构建,在材料自然环境腐蚀预测及类似研究领域中的应用具有可行性和实际价值；第三,将多层线性模型理论引入腐蚀预测研究。针对腐蚀数据的结构特点,本文将腐蚀数据视为一组纵向数据,应用多层线性模型原理建立了腐蚀率模型。实验结果表明,基于多层线性模型原理的腐蚀预测模型可以合理的描述数据层次结构；提供稳健的预测结果；并能够较好地处理不平衡数据、小样本数据。在具有层次结构的科学数据分析和类似研究领域,具有实用和推广价值：第四,对于具有纵向数据特征的小样本数据,本文提出了RE-BET算法。在混合效应模型的框架下,采用树形算法估计混合效应模型的固定效应,提高模型发现和描述变量间复杂关系的能力；采用基于Dirichlet过程先验的贝叶斯方法估计混合效应模型的随机效应,改善小样本数据的随机效应参数估值问题。实验结果表明,RE-BET继承了树形算法的优点,对于现实数据具有较好的灵活性和适应性,并且适合小样本纵向数据的分析。本文的研究不仅是对数据挖掘预测算法的发展和完善,而且对材料在自然环境下的腐蚀预测具有较重要的参考和借鉴价值。