由于历史数据本身的偶然性和不规则性，数据挖掘需要面对的往往是一些带有噪声的、非线性的、杂乱的数据，处理这些数据刚好是神经网络的优势所在；而神经网络实现过程中需要大量的数据来产生充足的训练和测试模式集以有效地训练和评估神经网络的工作性能，这又恰恰是建立在数据仓库或大型数据库上的数据挖掘所能提供的。由于两者优势互补的关系，开展基于神经网络的数据挖掘研究有很大的实践意义。 对数据挖掘实验方法的研究，是目前人工智能领域的前沿课题，也将是未来智能决策技术的发展方向。一个好的DM方法不但会导致软件工业的一次质的飞跃，而且也会给其他工业乃至世界经济、社会进步的进程产生深远影响。 论文在分析数据挖掘各种技术的基础上，着重研究了人工神经网络在数据挖掘中的应用。在论文中，着重考虑了人工神经网在数据挖掘中的数据准备问题、网络参数的选取问题等等；针对原有BP神经网算法效率较低、容易陷入局部极小等现状；提出了一种改进的BP算法：改进的BP算法着重改进了权值的调整频率及效率：文章在理论上进行了推证，并利用数学逻辑中的“与”问题进行了实验。实验结果证明了改进的BP算法缩短了学习时间、提高了学习效率，并在一定程度上避免了学习中的局部极小问题。