时间序列模式、分类规则和关联规则挖掘是当前数据挖掘研究中一个热点。本文对时间序列模式、分类规则和关联规则挖掘的方法进行了深入的研究。挖掘规则及其它知识是一个多阶段的处理过程，本文认为这个过程应以用户为中心。这个处理过程的各个阶段都是重要的，都应加以详细研究。在这个思想指导下开展工作，主要内容如下： 本文对数据准备的方法进行了深入的研究，提出了一种基于数据仓库的数据挖掘模型，该模型结合了OLAP技术和数据仓库的策略，利用概念层次作为背景知识，将数据库中的原始数据泛化成用户感兴趣的概念层次上的、聚合的、具有统计意义的元数据。 将相关性分析引入数据预处理过程，从而去除与挖掘任务不相关的属性，减少了数据集，提高了挖掘规则精度。 针对泛化后的数据，本文改进并实现时间序列模式发现算法； 修改了传统的决策树算法，提出了一种适合于泛化数据的决策树构造算法：阈值控制法，阈值控制法通过阈值和概念层次的控制，可以建立简洁明了、具有统计意义的分类树； 在概念格理论基础上提出了基于不确定系数法挖掘关联规则的算法。 设计并初步实现了一个数据挖掘原型系统，该工具以用户为中心，在用户的干预下能够有效的对现实数据库、数据仓库进行时间序列模式、分类规则和关联规则的挖掘。