本文针对时序数据为连续型数据值，以挖掘不确定性规则实现分类为目的，对神经网络中隐含的知识转化为不确定性决策规则的方法进行了研究。围绕该主题，研究内容包括四个方面：(1)针对信息表中属性值难以语义化或区间化的问题，对连续型属性模糊聚类，然后根据聚类类别对连续属性进行离散化处理；(2)结合实际需求，引用SLF算法构造并训练神经网络；(3)通过对连接权重的分析，利用训练完毕的神经网络构造重要性指标矩阵，进而挖掘不确定性规则；(4)构造与不确定性规则相适应的推理算法。在规则挖掘的整个过程中，综合神经网络的构造、训练及推理方法，在对神经网络连接权重分析基础上得到分类规则。通过实验表明应用此方法得到的不确定性规则及推理方法能较准确地表达出隐含于神经网络中的知识，对时序数据信息做出分类。