本论文从四个方面探讨了数据挖掘理论与技术及其在证券领域的应用。第一,研究用于客户分析的聚类方法。通过挖掘客户的历史交易数据,基于客户关系管理理论提出并实现了证券行业的客户划分模型:客户自动聚类机制、同类别内客户分组机制以及模型动态更新机制。在客户自动聚类机制的实现方面,建立了资金规模、手续费收入、息差收入、操作频率等四项指标体系,通过对数据的统计相关性分析定义了加权聚类相似度公式,并通过对聚类结果的分析建立了证券行业的客户聚类效果评价指标;在同类别内客户分组机制的实现方面,提出并实现了根据客户的操作风格使用动态贝叶斯模型进行客户分组的方法。最后,使用CURE聚类算法实现了模型动态更新机制。第二,提出并实现了运用关联规则和序列模式的挖掘构造证券网上交易客户行为模型的方法,并用该模型构造Markov链转移概率矩阵,实现了网上交易行情自动推送算法,有效地提高客户网上交易实时行情的响应速度。第三,提出并实现了证券业客户流失分析RFM-ROI模型,运用信息论中信息增益理论对RFM-ROI模型进行了基于数量分析的实证。根据RFM-ROI模型,在数据挖掘的基础上用分类方法构建了客户流失分析决策树,归纳出证券行业客户流失分析的业务规则,并提出了解决决策树剪枝问题的停止阈值方法。第四,运用时间序列模式分析的概念和方法进行股票趋势的K线模式挖掘,提出了在短期趋势预测中时间窗口匹配的插值算法,然后用径向基函数神经网络挖掘出股市历史走势中隐含的时间序列模式。