随着现代社会的快速发展及互联网应用越来越广泛，每天所产生的信息量也在急剧的增加，特别是网络数据每天都在指数倍的增加。面对这些实际存在的数据，如何从中获得对人们有用的知识，越来越受到广泛的关注与研究。因此数据挖掘技术也正迎合了如此艰巨的需求，得到广泛的应用和推广。　　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，处理这些数据恰好是神经网络的优势所在。本文提出了基于改进的BP神经网络算法对数据挖掘进行研究，并通过实例验证了该算法在数据挖掘中的有效性。本文的研究工作主要有以下部分：　　1.针对BP神经网络结构缺乏理论指导这一不足，提出了动态增加隐层节点的方法，以使得网络可以得到合适的网络结构。并通过Iris数据集和全国交通运输数据集两组实验，对改进后的网络模型进行验证，结果表明改进后的方法可以获得合适的隐层节点数量。　　2.本文针对改进后BP算法容易陷入局部最优的不足，提出利用遗传算法对BP算法进行改进的策略。然后通过奇偶校验问题样本集的实验进行验证，结果表明结合遗传算法的BP算法可以有效的避免网络模型产生局部最优解。　　3.将改进的BP算法应用在数据挖掘中。在旅游行业数据集实验中，对国内旅游的总消费金额进行预测与分析，结果表明预测的消费金额与实际金额很接近。因此通过实表明，明改进后的BP算法在数据挖掘方面具有很好的应用价值。