步入信息社会以来,数据的爆炸式增长为信息处理与数据分析带来了新的机遇与挑战。IBM Watson指出,每天都产生约25亿GB的非结构化的原始数据,数据中的关键信息往往淹没在庞大的数据量以及复杂的结构之中。因此,需要对数据信息进行有效的过滤处理,其中,数据可视化分析技术是至关重要的部分。本文分析了当前数据可视化分析领域的主要方法和工具,发现当前的可视分析方案仍存在着一些值得探究的问题:人对于数据的认知特点决定了人在分析过程中具有一定的认知局限性,而单一的采用机器计算的方式进行数据分析存在目的性差的问题;在可视化分析过程中存在可视化模型选择困难的现实问题;一些可视化工具片面追求华丽的效果,而轻视了对数据关键信息进行传递的能力等。据此本课题完成了以下的研究与实践工作:1.本文从数据可视化分析的流程入手,结合传统探索式数据发现方法,提出了启发式数据可视化分析策略。该策略重视人对数据的认知特性,强调人机之间的互动与反馈,注重数据本身对可视化分析过程的指导性。2.文章重点论述了构建一个可视化数据分析平台的设计与实现过程。这个平台以B/S结构为基础,结合当前流行的D3.js可视化框架,实现了一个集数据属性分析、可视化模型推荐、动态可视化模型构建为一体的可视化分析应用。3.该平台实践了理论提出的启发式数据分析策略,并提出自动化可视分析图形推荐方法以及可视化模型编码推荐方法等两种可视分析新方法。系统功能简化了分析人员使用数据可视化分析方法的过程,提升了分析效率,并且能够得到更佳的可视化分析结果。本系统架构重视降低模块之间的耦合程度,提供了较强的可扩展性。以该平台的架构为基础,可以进一步实践启发式的数据可视化分析方法,并将系统扩展出更多的具体应用。此外,本系统还可以扩展可视化模型的种类、模型推荐算法等方面继续优化。