随着我国铁路网路的不断建设、投资,人们生活水平的提高和经济增长,铁路客运量也日渐增加。如何科学合理的预测客运量,以帮助有效的控制客运量、保证铁路运行畅通,具有重要意义。本文就是探索如何更好的使用数据挖掘的相关技术对铁路普通线路客运量进行预测。本文的研究方法包括文献研究、实证研究、定性、定量分析等。本文首先分析了我国铁路运输发展现状,指出了铁路市场预测客运量的意义和必要性。接着对国内外现今流行的铁路客运量预测方法按照预测的性质、手段以及角度几个思路进行了系统的梳理,并给出了各自的适用领域和优劣势分析。本文分析探讨了数据挖掘技术的相关理论,最后选用了四种典型数据挖掘方法进行了实证分析。本文对目前国内外研究铁路客运量预测的数据挖掘技术进行了归类。在应用中使用了四种数据挖掘方法：回归模型(多元线性回归)、时间序列模型(ARIMA)、神经网络模型(GRNN)、最小二乘支持向量机(回归向量机SVR模型),并在前人的研究基础上做出了改进。论文解释了选择这四种方法的原因,说明了各自的优势和适用条件。这四个模型均收到了良好的预测效果,获得较满意的预测精度,但在有些方面仍然存在不尽如人意的地方,本文最后指出了今后应该努力的方向。