网络安全等级保护是对信息和信息载体按照重要性等级分级别进行保护的一项重要工作。在网络安全等级保护工作流程中,网络安全等级保护测评是其中重要部分,近年来随着我国网络安全等级保护工作的不断推进,网络安全等级保护测评流程中出现以下问题:首先,由于测评工作的特性,需要测评人员进入测评现场进行实地的测评工作,在这个过程中,由于主观或者客观的原因,测评人员可能会对测评结果有误判;其次,等级保护测评工作会定期进行,会不断的产生大量的测评数据,但是目前并未对这些历史数据进行有价值的分析,未能有效的利用现存的数据为后续的等级保护测评工作形成参考指导。本文的研究重点就是利用数据挖掘技术对等级保护测评的十个安全层面进行数据分析,解决目前等级保护测评中出现的问题,并得到对测评工作有帮助的实质性结论,为测评人员提供更好的辅助决策指导。本文主要研究成果如下:首先针对测评结果误判的问题,本文研究分析了关联规则的经典算法,对Apriori算法和FP-growth算法进行深入研究,经理论分析得知两个算法的性能状况,结合测评数据特点以及进行实验验证,FP-growth算法的性能要优于Apriori算法。通过关联规则分析,得到了测评指标体系中十个安全层面的不符合测评项之间的关系,通过分析不符合测评项之间的关联关系,结合实际的测评现状,证明关联规则的合理性。最终得到的关联规则可以辅助测评人员进行测评工作,减少了对测评结果误判的情况。其次针对形成测评参考的问题,本文采用了聚类分析算法,首先研究分析了经典的聚类算法K-means算法和层次聚类AGNES算法的基本思想,提出了使用误差平方和（Sum Of The Squared Errors,SSE）来初步确定K-means算法中的k值,又由于SSE肘部点的确定并不严谨,所以提出计算两点间的斜率来确定最终的k值。通过对算法的分析以及测评数据的特点,由于测评数据的孤立点较少,所以对于层次聚类算法擅于处理孤立点数据的优势并不明显,反而还会因为其计算量过大,而导致算法运行缓慢,所以最终考虑针对聚类分析采用K-means算法进行挖掘分析,最终通过对十个安全层面的得分进行聚类,得到4类聚类结果,根据每一类的特点提出对应的安全策略。