随着科学技术的发展，仿真系统的复杂程度越来越高，随之仿真数据也出现高维、数据量激增、包含随机性和人为性等不确定因素等特点，经典统计理论在分析这些数据时暴露出了一系列问题。随着计算机硬件技术的发展和数据挖掘理论的兴起，基于数据挖掘技术的复杂仿真数据分析逐渐进入了研究人员的视野，论文基于可视化数据挖掘技术，对大规模、高维数、相互关系复杂的仿真数据的可视化聚类及相关问题进行了研究，具有一定的理论和工程意义。针对专家估计法对复杂仿真数据可视化前的特征选择，可能造成忽视专家个人差异及数据自身特点的问题，提出了基于模糊综合评价模型的主客观估计法。首先构造专家模糊评判矩阵，并根据专家在行业的影响力确定权重，进行主观模糊综合评价；然后根据数据自身特点计算属性的信息熵，获得客观评价；最后将主观评价和客观评价按照不同比例进行综合，从而确定属性的重要程度。针对复杂仿真数据可视化前的数据降维问题，分析了常用的流形学习降维方法；证明了局部切空间排列算法(LTSA)与核主分分析方法(KPCA)本质上的一致性；提出了基于核的LTSA算法对增量仿真数据降维的改进。经实验验证，该改进算法与LTSA算法相比能达到同样的降维效果，并且具有更高的运行效率。针对复杂仿真数据降维中需事先提供维数的问题，采用改进的极大似然估计法进行本征维数估计。首先分析了极大似然法存在的缺点，提出利用测地线距离代替欧式距离的方法，来解决错误近邻点选择问题；提出对各局部估计的本征维数以密度修正代替平均值的方法，来解决估计结果受奇异值影响过大的问题。针对复杂仿真数据可视化聚类问题进行了研究，提出两种可视化聚类方法。在基于改进雷达图的可视化聚类方法研究中，首先对传统雷达图进行了改进，为突出数据特征，以属性权重确定极角，以属性值确定极径；又对k-means算法中存在的随机确定初始中心点而无法得到最优解问题，提出了优化初始中心点算法；针对算法必须事先给出聚类个数，而实际难以做到的问题，提出采用循环和专家监督干预的改进方法。在基于自组织映射的可视化聚类方法研究中，将传统的矩形或六角形方格中的神经元映射改变为雷达图映射，解决了传统SOM映射中无法反映数据点差距的问题；通过增加横向收缩力，重构权向量，加速了映射点的收敛时间；提出利用随获胜神经元到邻域神经元间距单调递减的函数作为修正值的自适应学习速度改进，来增加算法的稳定性和收敛时间。经实验验证，该算法具有更高的效率和鲁棒性。论文丰富了高维数据降维、可视化数据挖掘的方法，为复杂仿真数据分析方法提供了新的技术支持。