随着计算机技术的迅速发展以及数据库管理系统的广泛应用，使得人们积累的数据远远超过人们分析和理解数据的能力。激增的数据背后隐藏着许多重要的信息，人们希望能够对其进行更深层次的分析，以便更好地应用数据和提供决策支持。数据挖掘技术为了解决“数据爆炸但知识贫乏”的问题便应运而生。成为目前具有挑战意义的研究热点之一。数据挖掘是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程，其中聚类、主元分析和趋势分析是三个重要的环节。 聚类分析是数据挖掘的重要方法之一。本文深入分析了聚类分析中的一些传统方法，提出了三种聚类分析算法：复合聚类分析算法；基于动态数据窗口的自组织竞争神经网络聚类分析方法；基于动态数据窗口的融合聚类分析算法。将这三种方法进行分析比较，应用在故障检测当中。仿真实验验证了算法的有效性。 主元分析方法是统计学中的重要方法之一，在处理数据挖掘中高维数据问题上有很大的突破。本文针对主元分析方法对于不同量纲和分布“均匀”的数据很难选取主元，或者选取的主元没有代表性的问题，提出一种相对主元分析方法，该方法可以克服数据的量纲问题和分布“均匀”问题，选出的相对主元具有代表性，可以很好的解决数据挖掘中的高维数据压缩问题以及复杂系统的故障检测问题。而且基于相对主元的故障检测模型不受模型采样数目的限制。仿真结果验证了方法的有效性。 由于预测神经网络可以通过学习任意逼近非线性映射，被用于构建非线性系统模型。但现在神经网络时序预测模型只能进行一维预测，对于多属性事物的预测还未探究。本文提出一种基于并行递归神经网络的多维预测模型，这种模型能够记忆历史信息，实现实时动态建模、在线参数修正和多维并行预测，并用多维空间中的线性函数和非线性函数验证了该预测模型的有效性。 针对复杂系统的数据，单一的数据挖掘算法很难实现数据挖掘，或者是得出的“知识”有局限性。本文结合前面所介绍的基于动态数据窗口的聚类分析方法，相对主元方法和并行递归神经网络的多维预测模型，提出一种基于智能融合的数据挖掘方法监控系统。该方法可以实现监控系统的虚警消除，参数压缩(多变量降维)，故障监测