随着计算机在管理中的应用，大量的数据可以被充分的利用，以辅助管理和决策。20世纪80年代，在管理信息系统的基础上，发展了决策支持系统。决策支持系统的基础是大量被良好管理的数据。为了管理好这些数据，产生和发展了数据仓库系统，它是数据库技术发展及应用驱动的结果。数据仓库提供了一个数据平台，在此基础上可以进行强有力的数据分析、数据挖掘和报表，从而支持决策。数据仓库技术从提出开始，就受到学术界、工业界和用户的重视。虽然各公司陆续推出了数据仓库产品，对于数据仓库的研究方兴未艾，国内的研究还有很大的空白有待填补，特别是灵活的数据仓库解决方案还需要研究探索。 建立数据仓库系统，最关键的问题是数据的组织问题。在数据仓库中，数据处于中心位置，围绕数据建立多种分析和应用，不同于传统数据库中以应用为中心收集和组织数据。论文讨论了数据建模的过程。数据仓库建模包括收集需求、需求分析、系统的规划、概念设计、逻辑设计、物理设计等。针对数据仓库的特点，需要动态的数据仓库开发过程，支持用户需求的调整与追加。 本论文实现了动态数据仓库的建模过程，以用户的需求为驱动，支持用户需求的变化与调整，从系统的逻辑设计到物理设计，每一步骤都有相应的中间结果文件生成，方便用户对设计结果的掌握，同时，具有良好的交互性和简单友好的操作界面。 本文讨论了数仓库建模的详细过程和技术。首先是数据仓库的概念、体系结构及开发过程，以及基于数据仓库的数据挖掘和联机分析处理理论，着重论述数据仓库技术在决策支持系统(DSS)中的应用。 当前数据仓库支持技术的重点是OLAP，OLAP分析是基于多维模型。本文在研究了多维建模的基本原理和基本方法的基础上，针对企业决策过程的迫切需要，建立了多个OLAP模型。这些模型虽然不能涵盖企业的所有决策需求，但是它们一方面满足了企业最迫切的一部分需求，另一方面也可作为进一步建立更多的OLAP模型的重要参考。 本文讨论基于数据仓库的决策分析系统的优越性，给出一种实现模型。并就建立数据仓库的关键技术进行讨论。提出一种新的实现数据清洗和过滤的方法，并且比较数据立方体的三种存储模型，最后给出量化结果。 本文内容安排如下：本文的第二章介绍基于数据仓库的DSS体系结构；第三章介绍相关理论知识；第四章重点讨论基于数据仓库的决策支持系统的框架结构；提出一种新的实现数据清洗和过滤的方法，并且比较数据立方体的三种存储模型，最后给出量化结果。