数据挖掘是当今数据库和人工智能最活跃的研究领域之一,是知识发现(Knowledge Discovery in Databases,KDD)的核心,它的目的在于发现数据中隐藏的、潜在的、未知的和有用的知识,实质上是在大型的数据库中寻找数据间的普遍模式和规则。实际数据库中存在着较多的连续型数值,而现有的一些数据挖掘方法只能处理离散型数值,因而需要对连续型数值进行离散化。因此,连续属性离散化方法作为数据挖掘领域重要的基础性工作,直接影响到数据挖掘的质量。连续属性离散化已经成为数据挖掘理论中一个非常重要的研究方向,在某种程度上,连续属性离散化程度的好坏,将决定数据挖掘结果的优劣。本文根据最近邻聚类的算法思想,提出了一种基于最近邻聚类的连续属性离散化算法,其是一种基于整体属性的全局离散化,用两步走的策略来完成。本文所做的主要工作如下:第一、分析了连续属性离散化的课题研究背景,综述了连续属性离散化的国内外研究现状,并指出了连续属性离散化研究面临的挑战和不足。第二、分析了数据挖掘理论的相关知识,如数据挖掘的定义和数据挖掘的基本过程等。最重要的是在论文的第二章给出了连续属性离散化问题的数学描述、连续属性离散化的意义和重要性、连续属性离散化算法的目标、连续属性离散化算法的分类并分析了目前常见的连续属性离散化算法。第三、介绍了聚类分析的相关概念、聚类的过程及一些主要的聚类方法等。并重点分析了最近邻聚类算法。第四、研究了最近邻聚类和连续属性离散化的内在机理分析。最后,针对所提出的最近邻聚类算法,提出了最近邻聚类算法的几点改进措施,最终设计了一种基于最近邻聚类的连续属性离散化算法,并应用在一个天气信息决策系统和UCI机器学习数据库中。