随着全球恐怖袭击事件的频繁发生,各国每年都会投入大量的人力、物力和财力用于防恐、反恐措施的制定以及实施,然而反恐成效的好坏在一定程度上取决于能否对恐怖袭击事件进行有效的分析与预测,传统基于人文社会科学的研究方法往往难以发现袭击事件之间纷繁复杂的联系。采用数据驱动的方式对近年来全球范围内的恐怖袭击事件进行量化分析,能够有效地挖掘袭击事件之间以及事件的各方面特征之间的内在联系,从而为全球防恐以及反恐方案的制定起到较好的指导作用。本文利用数据挖掘技术对恐怖袭击事件记录数据进行了深入的研究,并且取得了一系列的研究成果,本文的主要研究工作如下:(1)采用多种方式对恐怖袭击事件的记录数据进行预处理。全球恐怖主义研究数据库存在较多的缺失值以及噪声数据,若不对数据集进行预处理将会对模型的预测精度及其泛化能力造成很大的影响。鉴于此,本文首先对特征的分布以及缺失情况进行分析,并对缺失严重的特征予以剔除,其次根据特征之间的相互联系,本文采用网络爬虫等多种方式对特征的缺失值进行填充,并基于填充后的特征进一步构造细粒度特征,最后利用协方差矩阵对数据集进行分析,将关联性强的特征中信息熵较大的特征进行剔除。实验结果证明了本文所使用的数据清洗操作以及特征提取方法能够有效地填充原始数据集中的缺失值,降低数据集的噪声,提高数据的处理效率。(2)提出了基于协同特征聚类的袭击事件危害等级划分算法,并提出用于评估聚类效果优劣的混合相似度指标。传统的恐怖袭击事件危害性评估大多仅对部分国家或局部地区进行分析,且模型的事件划分结果可解释性较差。鉴于此,本文首先对特征进行基于博弈论的组合赋权,得到特征之间的相对重要程度,然后使用k-prototypes算法对赋权后的特征进行聚类分析,并使用混合相似度指标评估聚类结果的优劣,最后使用逼近于理想点值的排序方法得到每一起袭击事件的危害值,利用每一簇中所有事件的平均危害值对簇的标签进行重新排序,得到各簇样本的危害等级。实验结果证明了本文算法与现有的其他算法相比,能够更好地将全球范围内的袭击事件按其危害性的大小进行等级划分,且划分结果的可解释性更强。(3)提出基于梯度提升决策树的袭击制造者预测算法。大多数袭击制造者预测算法只针对部分袭击事件或少数恐怖组织名称进行分析,且模型的预测精度较低。鉴于此,本文首先使用词袋模型对近21年的全球恐怖袭击事件的摘要信息进行文本特征提取,并将提取的特征与组合赋权后的特征进行合并,接着利用梯度提升决策树算法预测恐怖袭击事件制造者的名称,最后借助桑基图以及复杂网络分析图对袭击组织与攻击方式等特征之间、恐怖袭击事件与事件之间的关联性进行可视化分析。实验结果证明了本文算法与现有的其他算法相比,能够更加准确地对袭击事件的制造者名称进行预测,而且通过可视化分析挖掘数据间隐藏的关联性,可以对国际防恐以及反恐方案的制定起到一定的指导作用。