在知识经济的今天，新技术在公司的竞争中发挥这越来越重要的作用。为了更好地辅助决策者进行决策，创新扩散模型的研究得到了越来越多的关注。传统创新扩散研究中，创新扩散模型是根据研究者的经验提出，每个模型都有其严格的假设条件。研究者的领域知识决定了模型的好坏。同时面对不同的创新扩散模型，模型选择同样重要。因此我们提出一种数据驱动的模型发现方法从数据中自动的学习模型。符号回归是一种基于遗传编程算法的模型自动发现方法，模拟自然选择的过程，通过变异，交叉，复制选择等遗传操作，不断的迭代，从数据中选择出最合适的模型。符号回归不同于传统的建模方法，不需要领域知识以及人为的参与,模型的形式和模型的参数都是由算法从数据中学习而来。　　我们基于95种技术专利的申请数据，利用符号回归研究创新扩散模型，我们分析了模型的整体效果，然后研究了不同领域的技术以及不同国家的创新扩散的特点，我们的研究主要得出以下结论：　　（1）通过符号回归方法从95种技术中得到的模型我们可以发现符号回归确实能从数据中发现描述数据的优秀模型。符号回归从数据中学习到了经典的创新扩散模型。结果显示经典模型Fisher模型和Bass模型有着较广的适用范围。　　（2）我们根据模型的结构对模型进行分类，我们发现大部分技术的扩散过程是不对称的。不对称的拐点位于0.5M（M为专利的总量）到M之间模型是表现最好的一类模型，能解释一半以上的技术。　　（3）通过对不同领域的创新扩散模型的研究我们发现，不同的模型在不同的领域的技术中的表现不同，同时不同领域技术的扩散呈现出领域特点。　　（4）不同国家地区的创新扩散表现出不同的特点。不同模型在不同国家地区的表现不同。　　因此，综合我们的实验结果，我们可以看出符号回归是一种有效的数据驱动的模型发现方法。符号回归能够很好的发现专利数据中技术的扩散模型。因此我们可以利用符号回归研究不同的模型在不同数据中的表现，同时研究创新扩散的特点。