数据挖掘(Data Mining，DM)技术是伴随信息量的迅速增长而产生的，如何从大量的数据中获取有用的知识并应用于决策领域，已经成为当前信息处理中的一个热门课题。而数据挖掘就是从存放的数据库、数据仓库或其他信息库中的大量数据中挖掘有用的知识的过程。人工智能技术，特别是神经网络技术与数据挖掘的结合为数据挖掘理论和方法的研究指出了一条新道路。本文在分析数据挖掘各种技术的基础上，着重研究了人工神经网络技术在数据挖掘中的应用。首先介绍了数据挖掘及人工神经网络的一些基本知识、概念描述等，然后对人工神经网络的主要模型及其算法进行了分类探讨，并深入分析了BP算法的网络结构、学习规则、网络设计等。针对标准的BP算法效率较低、容易陷入局部极少值等状况，提出了两种改进的BP算法，如附加动量法、基于Levenberg-Marquardt的BP算法。Levenberg-Marquardt算法是牛顿算法的变形，针对牛顿法中的H=J~T J矩阵并不一定可逆，L-M算法中用可逆矩阵G=H+uI来近似的取代牛顿法中的H。改进的BP算法能较好地提高网络的收敛速度，文章在理论上进行了推证，并利用了实例进行验证，改进的BP算法缩短了学习时间、提高了学习效率。最后介绍了BP神经网络在雨量预报中的应用，利用LMBP算法建立雨量预报的神经网络模型，将模型中预测的雨量与实测的雨量进行比较，证实了BP神经网络的有效性和实用价值。