随着数据库技术的成熟应用和Internet的迅速发展,从大量数据中挖掘有用的信息成为一个迫切需要解决的问题,数据挖掘的研究应运而生。数据挖掘经常要面对一些有噪声、杂乱、非线性的数据,而神经网络具有良好的鲁棒性、自适应性、并行处理、分布存储和高度容错性等特点,故神经网络非常适合用来解决数据挖掘的问题。本文首先介绍了数据挖掘的概念、过程以及目前数据挖掘中常用的模型与算法,对人工神经网络的基本模型、拓扑结构和学习机制进行了简要的概述。对人工神经网络数据挖掘方法中的数据预处理问题进行了研究分析。讨论了数据清洗、数据集成和转换,重点讨论了数据表示和数据消减问题。聚类指的是把数据库里的对象分组成有意义的子集,使得一个类内的成员尽可能相似,不同类间的成员差异尽可能大。聚类具有无监督学习能力,被广泛应用于多个领域中,如模式识别、数据分析、图像处理以及市场调研等。使用聚类可以发现数据分布的疏密区域,从而找出数据总体的分布模式以及数据间有趣的相互关系。本文对数据挖掘中主要的聚类算法进行了简要介绍,对神经网络中的自组织映射(SOM)神经网络进行了深入研究,并对SOM学习算法进行了优化,在一定程度上提高了网络迭代训练的速度;随后对层拓展自组织映射网络(GHSOM)进行了研究,将灰关联度分析(Grey Relational Analysis)引入GHSOM网络,提出了GRAGHSOM算法。实验结果表明GRAGHSOM算法在高维数据聚类过程中,体现了样本向量各个分量在模型中的重要性,能更精确的进行聚类。本文最后部分对基于感知机神经网络的分类算法进行了研究,讨论了单层感知机和多层感知机网络模型和分类学习算法。并将感知机网络应用于地方天气预报系统中,为飞行训练提供决策依据。