层次数据广泛存在于实际生活中如图书馆目录、分类学和物种发展史等。其将数据组织成不同细粒度层次的特点,有利于人们对数据的理解和认知。但伴随大数据时代的到来,现有层次数据不仅结构庞大同时各节点蕴含丰富的多维属性信息,这给数据的认知带来挑战。可视化和可视分析作为探索认知数据的有效手段,但现有的可视化方法对于探索现有的复杂层次数据的方法较少,如何快速探索分析大且复杂的层次数据,为决策者进行辅助判断,是一个有待探索挖掘的问题。本文针对该问题,基于重要性节点评估算法、关键子结构算法、机器学习等构建了一套层次数据的可视探索框架,用于辅助探索层次数据的结构特征信息和属性信息。本文的主要工作内容如下:（1）对于大型层次数据,在一次有限的可视编码空间范围内,易出现分支拥挤和节点遮蔽等现象,用户在探索分析其拓扑结构特征信息时具有挑战性。针对该难点,提出了一种面向拓扑感知的层次结构信息探索框架。该框架由重要节点评估、关键子结构、相似结构三大模块组成。为解决分支拥挤节点遮蔽等问题,提出采用重要节点评估的方法来进行解决,该方法通过对以重要节点为根的子结构以视觉编码的形式进行隐藏,同时能保留较多的结构信息的条件,提高了用户探索拓扑结构信息的效率。为帮助用户理解整体拓扑结构特征,基于文本关键词的思想,定义了一种层次数据关键子结构的提取方法,通过提取关键子结构对整体拓扑结构信息进行概要。为提高用户对相似子结构的探索对比分析的效率,基于图表示学习算法将层次结构的节点进行向量化表示,通过将节点向量进行高斯混合聚类构建相似子结构集合,然后基于向量的欧式距离计算子结构的相似度分数,通过相似度分数排序后完成相似子结构的提取。（2）为便于数据分析师快捷的探索分析具有多维属性信息的层次数据。设计了一个多维层次数据属性信息探索框架。该框架由属性评估、图表推荐、图表编码规则三大模块组成。属性评估模块采用随机森林算法进行评估,筛选与分析师当前关注的焦点属性重要性程度最高的属性集合,将该集合传入基于双向LSTM模型训练的可视图表分类模型中完成对不同属性组合采用何种类型图表可视化进行预测,图表编码规则根据推荐的图表类型进一步完成可视化编码。该框架使得分析师只需关注焦点属性,无需担心属性组合的可视编码。（3）基于以上方法设计了层次数据可视探索原型框架。通过可视分析系统完成了两项案例分析和两项用户实验证明了所提的层次数据可视探索框架的有效性。通过模型评估实验验证了本文推荐模型的准确率达到了94%,同时通过案例评估和用户评估验证了整个多维层次数据探索框架的有效性。