由于在数据挖掘的各种方法和技术中,最基础和最重要的方法是统计方法,而且统计理论也催生了许多新的数据挖掘方法,所以研究数据挖掘中的统计方法及其应用不仅可以给数据挖掘的实际工作者提供使用建议和指导,而且可利用统计方法分析数据挖掘中的数据特征,为研究者和实践者推进科技发展和创造社会财富奠定理论基础。本文在研究现有主要数据挖掘方法和软件及其应用基础上,着重分析研究了数据挖掘中涉及的统计方法、模型及它们在数据挖掘中的应用；剖析了数据挖掘中的机器学习和统计学习机理；在研究了覆盖分类学习方法和基于概率的覆盖算法对海量数据处理能力的局限性后,提出了基于贝叶斯理论的改进覆盖算法,即以贝叶斯公式获得的后验概率替代通过投票方式确定覆盖边界中的样本类别,该算法提高了分类的可信度和稳定性。主要有以下四个方面：1.比较分析研究了现有主要数据挖掘方法和软件及其应用,可为使用者使用这些方法和软件提供选用帮助和建议；2.按照数据挖掘的过程和任务,逐一分析研究了其中使用的统计方法、模型等统计学中的理论,可为挖掘具有统计特征的数据信息的知识提供参考；3.重点从产生数据挖掘的新方法的学习机理分析入手,研究了一些基于机器学习和统计学习的数据挖掘方法的机理,为构造挖掘具有统计特征的数据知识新方法提供方向建议；4.针对支持向量机方法在处理大型数据库中使用数据分类的困难,分析研究了覆盖分类学习方法和基于概率的覆盖算法对一些样本不能正确分类的问题后,提出使用贝叶斯的理论融合覆盖分类学习方法和基于概率的覆盖算法解决测试样本中边界样本的分类问题的新学习机。该学习机包括二层结构：基于覆盖学习的分类模型的结构和基于贝叶斯理论的覆盖分类学习模型结构--覆盖分类学习机,实现了对海量数据进行高效地分类。本文的创新和特色体现在第4个方面。