贝叶斯分类和时序相似性挖掘都是数据挖掘领域中的重要技术,在经济、金融、科学观测和工程等各个领域广泛应用,是目前研究的热点。本文对增量贝叶斯分类技术和时序相似性挖掘技术进行了深入研究,针对特定领域,提出改进算法,并将改进算法应用于实际。本文首先对贝叶斯分类技术和时序数据相似性挖掘技术的发展和研究概况进行了综述,阐述了当前研究的重点和存在的难点。叙述了数据分类的基本概念,以及贝叶斯分类算法和时序相似性算法的基本概念和算法原理,并详细介绍了数据预处理的方法。　　 针对贝叶斯分类器在训练数据集相对较小的情况下难以得到充分的训练,以及增量式贝叶斯分类器分类损失评估函数复杂度过高的情况。本文提出一种基于类支持度的增量贝叶斯分类器学习算法,通过分析贝叶斯分类原理中最大后验概率类与其他概率类之间的联系,简化了传统的分类损失评估函数,使贝叶斯分类器的增量学习效率得到了提高。论文对该算法进行了仿真实验,实验验证了算法的可行性。　　 本文详细介绍了时序数据相似性挖掘的主要原理与方法,并分析了各种方法的优缺点,提出了一种多变量的快速分层相似性搜索算法。该算法利用时序的重要点构建特征索引库,使用趋势距离和重要点幅值排序等方法作为距离度量。文章采用工业现场数据对该算法做了实验,实验收到了良好的效果。　　 最后,介绍了增量贝叶斯分类算法和时序相似性算法在氧化铝旋窑控制中的应用,提出了基于增量贝叶斯分类的热工数据预测模块和基于时序相似性搜索的异常工况处理模块的设计框架。在现场试验中,以上功能模块取得了不错的现场运行效果。