随着社会的发展,智能可穿戴设备的使用率在逐年提高。穿戴网中各式各样的穿戴设备会产生种类繁多的数据,这些数据是大量的、多样性的、且富有价值的。使用数据挖掘相关技术对穿戴网中相关数据进行分析,并从这些数据中提取出有价值的信息,就可以为穿戴网的发展注入新的活力,更好为用户提供服务。基于此,本文使用数据挖掘相关技术对穿戴网中的用户步态数据与运动时的生理指标数据这两类典型的数据进行研究分析,从而对穿戴网的相关功能进行进一步的扩展与延伸。针对穿戴网中用户的步态数据,本文首先使用数据挖掘相关技术提出了一套完善的用户特征提取方案,并形成一个合法用户身份比对库。在合法用户身份比对库建立的基础上使用数据挖掘技术中相关异常检测模型实现了对非法用户的检测,并基于传统的分类算法设计了一套联合投票分类模型实现了对合法用户身份标签的精确识别。最终本文基于用户步态数据建立了一套新型的用户身份认证机制。为了对本文提出的新型用户身份认证机制的可靠性进行验证,我们利用智能手机采集不同人的步态数据,从而对相关模型进行对比评估。仿真结果表明,本文提出的方案不仅可以准确的检测出不在身份比对库中的异常用户,而且可以对合法用户的身份进行精确识别。在对用户运动时生理指标数据的研究中,本文分析了人在运动时生理指标数据与运动数据的变化规律,并使用贝叶斯组合模型实现了在人运动时对生理指标数据的多步预测。此外,为了消除多步预测过程中产生的累积误差,本文基于朴素贝叶斯模型提出了一种累积误差修正机制实现了对多步预测过程中产生的累积误差进行及时的修正。最终本文基于用户的运动数据建立了一套精确的生理指标多步预测机制。同样我们设计相关实验并采集不同运动者运动时的数据,从而对我们提出的预测机制进行了评估并与其它预测机制进行了对比。实验结果表明,本文提出的预测机制具有较高的预测精度并且与其他预测机制相比具有较低的预测误差。