随着全球经济一体化和信息技术的发展，未来的竞争不再是企业对企业的竞争，而是供应链SC(Supply Chain)对供应链的竞争，供应链核心成员面临的重要问题是如何选择更好的合作伙伴，以提高产品的质量、性能、服务绩效，从而提升客户满意度，而作为供应链的源头，供应商的研究对于企业有着十分重要的意义。同时，供应链的运营积累了大量的数据和信息，如何采用商务智能BI (Business Intelligence)与数据挖掘DM (Data Mining)技术，从这些海量的数据与信息中获取未知或隐含的知识，从而进一步指导供应链的优化与执行，将起着非常重要的作用。因此本文结合实际企业的供应链管理系统，研究相关的数据挖掘方法和技术，解决供应商分类问题，从而有效地支持供应链的运营。第一章，在大量阅读国内外相关文献的基础上，对供应链管理SCM(Supply Chain Management)中针对供应商的过程管理、供应商分类以及SCM中的数据挖掘技术进行了详尽的探讨，并分析了现有理论、方法与技术的优缺点，并给出了本文的研究架构以及主要的研究内容和特点。第二章，本文采用事件驱动过程链EPC(Event-Driven Process Chain)的方法，分析SCM系统中个合作伙伴协作的业务流程，并为其提供一个更易于理解的以符号和术语加以描述的业务过程模型，并介绍了针对具体企业的SCM系统如何使用EPC方法进行SCM业务过程建模。同时提出一种基于抽象相似和模糊C-均值结合的F-EPC算法，对供应链中供应商所参与的业务过程进行建模；同时扩充了EPC的元模型(包括度量视图、度量目标、流程目标等)，融入更多、更细致的供应商关键绩效指标，并建立SCM业务过程与性能度量指标之间的映射关系，从而有效地支持供应商的评估与分类奠定基础。第三章，本文首先基于EPC，围绕SCM系统的业务过程，考虑到供应链管理中需求波动对于供应链的影响，提出面向供应商全生命周期的数据挖掘分析方法，并给出一种面向供应商绩效评估的S-Cat算法，用于对不同供应商进行聚类，该算法考虑到供应链全过程中供应商的绩效指标，并结合均方差函数，力图解决供应链中牛鞭效应的影响，取得了较好的结果，该方法较为新颖，具有较大的创新。第四章，针对供应商分类问题，本文提出了一个基于特征的S-Canopy数据挖掘算法，此算法由于采用了两段阈值以及动态调整类群的方法，与FW-KMeans、Canopy等同类算法进行相比较，在算法的复杂性以及运算性能方面都有很大的提高。第五章，从数据选取的角度，本文提出另一种针对供应商分类的数据挖掘算法，即基于投影聚类与线性加权模型相结合的Hybrid-LWM算法，由于此算法在运算过程中，无需高维数据，只需要数值型数据以及供方数据就可以实现数据的分析与挖掘，实现了快速进行供应商分类的目的。