面对大规模的、高维的数据，如何建立有效的，可扩展的分类数据挖掘算法是数据挖掘领域的研究热点。围绕以上问题，本文对分类数据挖掘中涉及的若干基本问题进行了深入研究，主要包括以下几个方面的内容：提出了一种结构自适应的神经网络特征选择方法。通过交替删除网络中冗余的输入特征和隐结点，使网络结构在特征选择的过程中保持相对良好。实验表明该方法能快速有效删除特征，提高网络泛化性能。提出一种基于粗集理论和神经网络相结合的分类规则挖掘算法。首先使用粗集理论和神经网络对决策表进行两次属性约简，然后使用粗集理论对约简后的决策表进行规则抽取。该方法充分融合了粗集理论强大的规则生成能力和神经网络优良的容错性能。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。属性离散化的方法可以分为两类：局部方法和全局方法。局部方法简单易行但效果较差，而全局方法效果较好但算法复杂计算量大。本文提出一种有效的结合两类方法优点的折衷算法，在一种已有基于熵的局部算法基础上加入对决策表数据不一致度的检验，从而使该算法具有了全局化的特性。实验结果表明使用相同的规则生成器C4.5，本文方法比传统离散化方法生成的规则更强壮。对目前广泛应用的基于粗集理论和信息熵的几种规则不确定性度量准则进行了比较分析，通过定理证明了它们之间存在不一致性以及发生不一致时的必要条件，提出了下一步构建更有效的不确定性度量的方向。提出一种基于粗糙集理论的分类别进行规则抽取的算法。首先获得每类数据的属性约简；然后为每类数据构造一个分辨矩阵和一个合并矩阵,通过两个矩阵的交互作用逐类抽取规则。UCI数据库上的实验结果表明,与传统方法相比该算法能够在更短的时间内得到分类精度更高的规则。