随着人工智能、数据挖掘技术以及机器学习的不断发展,数据离散化技术逐渐表现出其不可替代的重要性。在实际应用中,使用的数据由连续和离散两种类型组成,连续型数据代表一系列的值,而离散型数据指具有一定共性的信息。离散数据具有通用性和简单性,因此许多数据挖掘的方法被设计出来用于处理离散数据。本文利用基于密度的离散化方法对具有连续属性的数据集进行处理,算法采用聚类方法自动寻找合适的簇数,将数据集划分为多个类簇,然后在类簇上进一步地应用自顶向下的分割策略进行离散化处理。继而提出了一种新的概率不一致性度量,用于评估离散化方法的效果。此外,本文提出了一个分类算法,利用概率函数及划分差异熵作为树节点的分裂准则。本文将提出的基于密度的离散化方法及不一致性度量应用于机器学习库以及网络入侵检测的数据集上,并同其他离散化方法和另外三个评估指标进行对比实验。在不同分类器下验证评价指标所选的离散化方法的最终效果,实验结果表明,不一致性度量选取的离散化方法的分类精度较高且优于其他指标。因此,不一致性度量可以作为评估离散化结果的指标。此外,将提出的分类算法在机器学习库中的数据集上进行分类检测,其实验结果表明提出的分类算法具有较高的分类精度,证明了本文所提出的算法具有潜在的应用价值。