当前,随着数据挖掘领域的飞速发展以及陶瓷行业的蓬勃兴起,数据挖掘在陶瓷行业的应用研究也越来越成为当今业界的一个热点议题。而对于数据挖掘在古陶瓷断代以及陶瓷原料分类中的应用研究同样也聚焦了数据挖掘领域以及陶瓷行业专家学者的视线。在过去,古陶瓷断代中,基于专家的鉴定经验,通过手摸、目测以及其他的感官功能来确定古陶瓷的朝代,但由于个人的主观因素,难免导致鉴定结果“唯专家论”;陶瓷原料分类中,基于过往的陶瓷原料分类经验来对陶瓷原料进行分类,尽管可以对陶瓷原料有一个大致分类,但是分类还不够准确、精细、合理。本课题在数据挖掘对古陶瓷断代及陶瓷原料分类的应用研究中,致力于改善以上存在的问题,同时也进行了一些可应用于该领域的新模型的探索,为找到更适用于古陶瓷断代及陶瓷原料分类的数据挖掘算法进行了一些尝试,并在结合前人的研究基础上,为后续研究者提供一些经验参考。针对过去古陶瓷断代以及陶瓷原料分类方法中存在的问题,提出基于古陶瓷和陶瓷原料的化学成分,利用5种数据挖掘方法对古陶瓷断代以及陶瓷原料分类进行应用研究。在数据挖掘对古陶瓷断代的应用研究中,将从陶瓷研究所获取的17种古陶瓷化学成分含量数据作为预测变量输入,将元、明、清三个朝代的古陶瓷类别作为目标输出,利用MLP（MLP,Multi-Layer Perceptron）神经网络与RBF（Radial Basis Function Neural Network）神经网络这两种算法分别建立模型进行古陶瓷断代分析实验,得到的断代准确率分别为76.79%和85.71%;在数据挖掘对陶瓷原料分类的应用研究中,将从《陶瓷工艺学》中收集的陶瓷原料化学成分数据作为预测变量输入,将3种不同类别的陶瓷原料类别作为目标输出,利用随机森林算法、基于贝叶斯网络的马尔可夫覆盖结构方法、基于树扩展朴素贝叶斯算法分别建立陶瓷原料分类模型进行陶瓷原料分类实验,得到的分类准确率分别为78.57%、85.71%和92.86%。综合以上实验结果,得出结论:在古陶瓷断代分析中,RBF神经网络的古陶瓷断代准确率要高于MLP神经网络;在陶瓷原料分类实验中,树扩展朴素贝叶斯算法的分类预测效果要优于基于贝叶斯网络的马尔可夫覆盖结构方法和随机森林算法。