分类挖掘是数据挖掘技术中一个非常重要的方法。常用的典型分类挖掘方法有决策树、神经网络、遗传算法、贝叶斯方法和k-最临近分类法等,这些方法对各自适用的数据集都表现出较好的分类性能,但也表现出许多共有的不足。首先都属于内存驻留算法,须以数据量小为前提,对于海量数据,其有效构造分类模型的能力必显不足;其次,对在Internet上建立数据挖掘服务器所需的并行和分布式数据处理能力缺乏考虑;此外,分类精度和内存利用率等也有待提高。论文针对分类挖掘技术的研究现状,设计了一种基于多吸引子元胞自动机、可有效地应用于数据挖掘系统中的两阶段分类器。该分类器在数据量处理能力、分布式数据处理、分类精度和内存利用等方面都有所改善。论文的具体研究内容和研究成果包括:(1)对基于多吸引子元胞自动机的分类器进行了重新描述,缩小了分类算法的查找空间。具体方法是以两个线性算子依赖向量DV和依赖字符串DS代替依赖矩阵来描述分类器;(2)设计了基于新描述方法的两阶段分类器,并利用遗传算法对分类器进行了优化处理,有效提高了分类器的分类速度。(3)设计了基于两阶段分类器的数据挖掘分类算法,并在通用的实验平台WEKA上进行了分类性能测试。测试结果表明,相比较原基于多吸引子元胞自动机的分类器和C4.5、贝叶斯分类法等其他常用分类挖掘方法,所提出的两阶段分类器综合分类性能有明显提高。(4)将所提出的两阶段分类器具体应用到公安情报挖掘系统中,提出了Web公安情报挖掘系统中的分类模型,设计了在分布式数据挖掘环境中的相应分类算法。