数据挖掘是人工智能、机器学习、数据库技术等多学科相结合的产物,是从已有数据中发现以前未知的、具有潜在应用价值的信息或模式的技术。目前数据挖掘技术已经成功的应用于很多领域,但在公安情报分析中的应用才刚刚起步。由于公安行业的特殊性,导致数据挖掘技术在情报分析中还存在着很多问题,本文针对这些问题,引入了自适应聚类算法以及对决策树算法、关联算法进行了改进,并通过实验证明了其可行性。首先,在类案分析中,前人采用的是传统的k-means算法,需要给定案件聚类的数目,这种算法在聚类数目的选取上存在着主观性以及初始划分的盲目性。针对上述算法在类案分析中表现出的问题,本文将自适应聚类算法引入到类案分析中,实验结果表明,使用自适应聚类算法能够提高类案分析的准确率。同时,将自适应聚类算法应用到犯罪人员分析中,也得到了理想的结果。其次,针对传统的ID3算法在犯罪客观因素分析中存在的不足,即忽略犯罪客观因素具有不同的重要性,提出了基于权重的ID3算法,在计算信息增益时引入权重的概念,从而减弱了属性选取偏差对分类精度的影响。将改进的ID3算法应用到犯罪客观因素分析中,通过案例分析,验证了算法的正确性和有效性。最后,针对Apriori算法在案件分析中存在的不足,即忽略案件属性重要程度的差异,提出加权的Apriori算法,在计算支持度时引入权值的概念,通过计算信息增益来确定权值。将改进的Apriori算法应用到案件分析中,实验结果证明,改进的方法可以挖掘出更有价值的规则,同时提高了算法运行的效率。