在全球性的网络化、信息化进程中，信息过量成为人人需要面对的问题，也就为信息处理提出了新的要求。信息处理技术由查询、统计、分析方法学延伸和扩展到数据挖掘技术。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是当今国际上人工智能和数据库研究方面最富活力的新兴领域，其目标是为了满足用户需求，自动处理大量的原始数据，从中识别重要和有意义的模式，并将其作为知识加以表达。本文首先阐述了数据挖掘的基本概念及处理方法，论述了基于关联规则的Apriori算法及其改进的相关算法，研究了分类方法中的贝叶斯网络分类方法和判定树分类算法及聚类方法。然后将全国计算机等级考试、网络日志、大型超市的数据库作为数据源，以Bayesian网络的数据补全算法、基于关联规则的Apriori并行算法、基于分类的判定树归纳算法和基于聚类的K簇算法为基础，重点研究以上数据挖掘算法的改进以及对上述数据源的智能信息处理。成功地解决了信息处理中只能进行查询、统计等功能，而无法对数据中潜在有用的信息和知识进行提取的弊端。