本论文主要研究内容为以下几个方面： (1) 我们改进了传统的基于可辨识矩阵的属性约简算法，采用启发式搜索方法，利用属性在可辨识矩阵中的出现频率作为启发条件，来对决策表进行搜索进而获得约简属性，为了获得较优的约简，在算法中增加了反向删除策略，判断每个约简属性是否独立，直到不能删除为止，最终获得有效的最小约简。这种算法可以有效获得属性集的一个最小约简，而不是传统算法得到的一个约简的超集。 (2) 根据研究得到的新型属性约简算法，对影响围网渔业产量的4种不同类型海洋环境因子：海水温度因子(5个)、海面高度因子(2个)、海面风速因子(1个)和海水叶绿素浓度因子(1个)进行数据挖掘，以得到其中对围网渔业产量影响的核心因子集合。通过收集相应海洋环境因子，经过合适预处理后，得到度量一致，结构统一，赋予有效性的海洋数据集。由于属性约简算法对数据的特殊要求，需要将数值属性的概念层级提升，以获得合适的属性相等标准，故而根据面向属性归纳的思想，对数据集进行数据泛化操作，再利用新型属性约简算法，获得属性集的最小约简。 (3) 根据数据挖掘后的约简属性来建立回归模型，并通过获得的模型来验证属性约简算法获得的强影响因子。 (4) 在整个实验过程中，我们发现针对海洋环境因子数据，我们需要着力解决海洋数据的编码格式统一、度量统一、数据结构统一、可定制化和及时传输等问题，而这些问题随着引入RSS技术，可以得到有效的改善，事实上，USGS(U.S.Geological Survey)已经通过RSS技术来发布关于地震信息的数据了，并且取得了较好的效果。最后提出基于RSS的围网渔业自动化渔情预测软件框架，通过之前数据挖掘研究中书写的两个SQL存储过程结合RSS技术实现自动化的数据收集、数据泛化、约简属性提取，进而建立预测模型。 本文针对传统围网渔业渔情预测方法的缺点，首次综合多种类型海洋环境因子，采用数据挖掘技术中的面向属性归纳和新型属性约简方法，获得多种类型因子中的约简属性，即影响围网产量的强影响因子，进而通过构建回归预测模型进行验证，为渔情预测研究开辟了一条新的道路，也为以后的海洋数据研究工作做出一定的指导。