随着计算机的普及和大容量存储技术的发展和广泛应用，人们在日常事务处理和科学研究中积累了大量的各种类型的数据。这些历史数据背后蕴藏了对决策有重要参考价值的信息，如何充分、有效地利用这些历史数据已成为目前人们所关注的问题。作为计算机技术、数据库技术、人工智能、统计学等相结合的产物，数据挖掘技术为解决这一问题提供了有效的途径。 本文简要介绍了数据挖掘技术的渊源、基本原理和主要研究成果，强调了数据建模的重要性，分别介绍了几类重要的数据建模技术，指出了数据挖掘技术在复杂工业生产过程的优化决策和控制中具有广阔的应用前景和重要的应用价值。同时，针对传统BP神经网络权值学习算法速度慢、易陷入局部极小等缺陷，提出了一种激励函数参数可调的前馈神经网络，并给出了相应的权值和参数快速学习算法。该算法运用本文提出的非单调启发式模拟搜索法实现网络权值和参数的快速搜索，实验表明，该算法不仅能明显提高网络的学习速度，而且可较好地避免学习过程陷入局部极小而导致学习失败。在此基础上，本文详细分析了数据挖掘技术在铜转炉吹炼过程优化中的应用途径和技术优势，提出了基于数据挖掘的铜锍转炉吹炼过程优化的一般过程，并以铜转炉吹炼终点的预报为例说明了该过程各实现环节的特点和难点；建立了铜转炉吹炼终点的可调参数前馈神经网络预报模型，并利用生产现场积累的实际生产数据进行了仿真试验，结果表明，本文建立的铜转炉吹炼终点的可调参数前馈神经网络预报模型预报效果较好，有一定的实际应用价值。