数据挖掘是近些年来发展起来的新技术,通过数据挖掘,人们可以发现数据背后隐藏的有价值的、潜在的知识,为科学地进行各种商业决策提供强有力的支持。当今,数据挖掘已发展成一门跨越多领域的学科,已经成为数据库、模式识别、神经网络、统计学、计算智能等领域的研究者关注的热点。本文首先介绍了数据挖掘研究的相关背景,对数据挖掘中的聚类分析的相关工作作了一个简要的概述,并对处理高维数据的聚类算法进行了较为深入的分析研究。本文针对类别数据的特点,提出了一种基于覆盖率的类别数据聚类算法CCCD。实验结果表明CCCD算法能够有效地处理大量类别数据的聚类问题。并且通过分析CCCD算法的计算复杂度和时空复杂度,我们发现CCCD算法在这两方面较其它聚类算法都有较为明显的优势。针对高维复杂数据的聚类问题,本文对利用神经网络方法进行聚类分析作了较为深入的研究。在传统的SOM聚类算法的基础上,着重研究了基于子空间的神经网络模型ASSOM和PCASOM,并在其基础上提出了一种能够根据不同输入样本的特性自动调整其网络结构的GHPCASOM算法。实验结果表明,这个新算法能够更好的表现数据之间的层次关系,并不需要事先确定其网络结构,有及其明显的特点。本文针对数据挖掘研究和实际应用的需要,研制了一个基于Web的数据挖掘服务系统。本文从系统的体系结构、功能设计、模块划分、实现技术等方面进行了详细的分析和讨论,并展示了部分已经实现的功能。