数据挖掘技术是近年来从无到有，发展迅速的新兴技术，在理论研究逐步深入的同时，许多行业也开始在应用方面进行探索。数据挖掘作为知识发现过程的重要步骤，是从大型数据库及数据仓库中提取未知的、有价值的和潜在关系、模式和趋势用于决策支持的过程。利用该技术来分析森林资源数据，在关系复杂的海量数据中找到隐含的深层次信息，对后期的森林经营和资源管理意义重大，并有助于形成以知识管理和知识发现来辅助森林资源管理，并提高森林资源决策管理的科技水平。　　 由于数据挖掘技术本身发展时间不长，在很多行业中的应用也是刚刚兴起，目前国内森林资料管理中结合数据挖掘技术的文献目前还比较缺乏。本文利用一平浪林场二类调查数据，以云南松小班为研究对象，研究和探讨了数据挖掘技术在提取林业知识及隐含的有价值的信息方面的有效性和可行性，并分析了聚类、决策树、关联规则三种数据挖掘算法对林业数据进行知识挖掘的具体应用。　　 由于现实数据的不完整性、冗余性和模糊性，以及各个数据挖掘算法对数据类型有不同要求，数据预处理是数据挖掘过程中重要的部分。在数据预处理阶段，本文对初始数据进行了预备数据集的提取及数据类型的转换。在预备数据集提取中对缺失值过多的小班和属性进行了删除；在数据类型的转换中实现了通过等宽装箱法将连续型属性转化为离散型及结合林业专业知识将离散型属性量化为数值型两种转换。　　 林地立地分类与评价是森林经营管理的重要内容，是林业决策的依据和基础。本文应用聚类算法中的层次聚类分析法对云南松三龄级的量化数据进行了聚类分析，聚类为三类的小班在同树种同龄级的条件下，树木的树高和胸径生长量出现了数据上的分化，说明不同类别的小班林地生产力存在差异，立地质量具有梯度性的变化。根据林地定级的概念，可将三类中的小班林地分别划分为第I立地等级、第II立地等级和第Ⅲ立地等级。根据聚类的结果计算类别中心后，计算一平浪地区无林地小班与各个聚类中心的距离，将无林地小班划分为距离最近的类，即可得到对无林地小班的立地等级评价。其结果可作为林业经营的辅助决策支持。　　 本文采用数据挖掘中的决策树C4.5算法建立了云南松单株材积的区间估值模型。通过将单株材积量等宽离散为5个取值区间，为不同云南松小班建立了所属的单株材积区间，即不同的类。以年龄、树高、直径、疏密度及小班环境因子作为条件属性，以单株材积区间为决策属性建立决策树模型。决策树算法利用自身的性能选择自动选择贡献率最大的属性，消除噪声数据的影响。决策树的运行结果显示算法在剪枝过程中剪去了年龄、疏密度、所有的环境因子条件属性，仅保留了直径与树高两个属性作为分类属性，说明在一平浪地区云南松小班中，没有对单株材积影响较大的环境因子。用十折交叉验证法对决策树验证的结果，决策树的分类准确度达到了93％。由决策树中提取的规则对训练数据进行统计，得到了云南松的以直径、树高为因变量的单株材积区间预测模型。　　 本文应用关联规则挖掘Apriori算法在云南松三龄级小班中进行规则提取。根据规则集建立了由规则推导得出的直径模型。由模型的拟合结果分析看出，假如规则评价较高，则由规则推导的模型分类正确度也较高；如规则评价较低，则模型性能较差。本文又根据所提取规则的评估指标作为自变量，建立了云南松三龄级直径与环境地理因子的回归模型。在预测变量为离散型变量的情况下，通常不能直接采用传统的统计回归方法建模。利用数据挖掘的关联规则算法可以解决这一问题。经过比较采用数据挖掘技术建立的线性模型与直接采用量化的环境因子建立的模型，前者的误差明显小于后者，具有更好的拟合效果。　　 本文最后对全文进行了总结，并对有待进一步研究的问题进行了展望。