随着我国热网管理系统在供热中广泛应用，热网的安全、稳定运行越来越受到重视，而当前热网实时监测技术尚不完善、且后台的海量库存数据形成了数据坟墓，面对种种弊端，采取有效的挖掘处理方式以实现历史数据的重用和现存系统的改善，在此显得尤为重要。首先对数据预处理的基本理论和整体流程进行了整体概述，接着介绍了几种经典的决策属性离散化的方法，对比了各个算法的优劣势；最后采用了基于信息熵和属性重要性双方式的粗糙集决策表离散化对海量的热网信息进行预处理，为后期的挖掘步骤奠定基础。数据挖掘部分主要采用了以下三种挖掘算法：基于决策树归纳的分类预测、基于K均值划分的聚类分析和基于频繁项集模式的关联规则挖掘，针对三种经典的挖掘算法的归纳偏置、随机初始点和多次扫描数据库的缺陷，采用了不同的优化方案，并通过仿真实验对比了优化前后算法的效率，验证了优化模型的可用性，最后通过采用优化的ID3算法、定向初始点的K-means和分布Apriori对热网状态值进行挖掘得到了最终的预测规则，为组合预测模型的建立奠定了基础。根据决策树分类、聚类分析、频繁项集模式三种挖掘模型的预测结果创建组合模型，首先要评价算法的重要性、建立组合算法以确定模型权重，从而得出组合模型的公式；接着将创建好的模型嵌入至后台的数据库中对换热站的供热状态进行预测，这样在完成热网状态实时监测的同时又达到了准确预测的效果。本课题将数据挖掘和组合预测模型相结合，为供热管网的实时监测提供了科学便捷的监控方式，实验结果表明：上述算法的执行对热网状态预测的合理实现和恰当运用具有很好的理论指导作用，为供热管网的智能监测及诊断提供了更有效可靠的依据。