青海省提出的“坚持生态保护优先”政策,使全省人民对生态的保护意识提高到前所未有的高度。然而近年来,由于自然因素和人类活动的影响,致使三江源地区的草地植被严重退化。合理预测草地退化是保护该地区生态环境的前提。但是目前该地区的退化草地数据缺乏,传统人工测量的方法既费时又低效,而且对三江源地区退化草地的预测模型较少。因此,本论文从青海省草地工作者对退化草地评价的实际工作出发,采集三江源地区的高寒草甸退化草地数据,利用数据挖掘技术对草地进行分析和挖掘,为草地工作者智能化评价草地给出理论指导。本论文主要的工作有以下内容:（1）由于原始三江源高寒草甸数据中存在退化草地类别不完备的问题,不能直接进行分类预测。本文首先对比了聚类和半监督聚类算法对退化草地类别标注的准确性。实验结果表明,半监督聚类算法的AMPCK-means算法准确率最高,因此使用该算法对原始数据中的退化类别进行标注,形成完整的数据集,提高了分类数据的准确性和完整性,共分为4个退化草地类别。（2）通过一些经典的分类算法对（1）中标注过的数据分类预测建模。实验结果表明,经过AMPCK-means算法标注过的数据在Random Forest模型、Native Bayes模型、SVM模型和Logistic Regression模型的精确度分别为96%、92%、95%和88%,取得较好的精度。（3）通过关联规则Apriori算法,分析了在4个退化草地级别下不同草地类型和草种之间的联系。实验结果表明,随着退化程度加剧,草地上的优良草种逐渐演变为了杂草和毒草。（4）为了提升三江源高寒草甸草地退化预测的精确度以及缩短测试时间,本文提出了一种基于并行K-means和DNN融合的草地退化预测模型。具体来说,首先为了解决数据不足的问题,在已有的数据的基础上采集到足够的数据,并将其划分为训练集和测试集。对K-means算法并行化改进,在测试阶段使用并行K-means方法对数据进行聚类,然后再使用训练好的DNN模型进行预测。实验结果表明,基于并行K-means-DNN模型的平均预测精度在99%以上,AUC指数在95%以上,较之前的分类模型精度有所提升,同时证明了该模型能够很好的适用于三江源高寒草甸草地的退化预测,最后根据并行K-means-DNN预测模型设计出一个草地退化评价系统。