数据挖掘(DataMining)可以从大量的、不完全的、模糊的数据中，提取隐含其中的有用信息、知识和规律。本文将数据挖掘方法应用在材料设计和药物构效关系研究中，探讨了数据挖掘在(Zr0.7Sn0.3)TiO4陶瓷配方优化、β-赛隆刚玉浇注料制备工艺优化和纳米氧化铝制备工艺优化中的应用；并以乙酰胺类除草剂为例，探讨了数据挖掘方法在构效关系中的应用。归纳起来，本文的主要工作如下： 运用数据挖掘方法对(Zr0.7Sn0.3)TiO4陶瓷的配方性能关系进行了研究，分别建立了(Zr0.7Sn0.3)TiO4陶瓷介电常数和损耗角正切的支持向量回归、逆传播人工神经网络、多元线性回归模型。用留一法分别检验了三种不同模型的预报能力，结果表明：上述三种模型对于(Zr0.7Sn0.3)TiO4陶瓷介电常数的留一法预报的平均相对误差分别为1.081％、1.632％、1.931％，对于损耗角正切的留一法预报的平均相对误差分别为0.999％、1.650％、1.414％。因此，数据挖掘方法可为新型介电陶瓷的性能预报和配方优化提供一条可靠的新途径。 在β-赛隆刚玉浇铸料的制备工艺优化中，分别运用支持向量回归、偏最小二乘、人工神经网络算法建立定量的数学模型。留一法结果表明，三种算法的均方根误差分别为1.57，1.72和7.22；三种算法的平均相对误差为：8.25％，9.10％和36.38％。表明数据挖掘在此类复杂工艺条件的优化中有一定的潜力。 运用正交试验设计合理安排了纳米氧化铝的制备，根据实验数据，运用数据挖掘方法对工艺条件进行了建模和预报。以支持向量回归、多元线性回归和人工神经网络对硫酸铝铵析出量进行了留一法预报，三者的均方根误差分别为：4.499，4.097和4.888，平均相对误差为：12.04％，11.17％和16.58％；在碳酸铝铵制备的工艺优化中，运用支持向量回归和多元线性回归建立了数学模型，两者留一法预报的平均相对误差分别为5.067％、5.722％。 在N-(1-甲基-1-苯乙基)苯乙酰胺类除草剂的构效关系研究中，运用熵法对自变量进行了筛选，然后，运用支持向量回归、人工神经网络和多元线性回归对数据进行了训练和留一法预报。三种方法训练的平均相对误差分别为：5.594％，5.890％，6.638％；留一法的平均相对误差分别为：6.305％，8.001％，7.204％。结果表明，数据挖掘技术将有助于新药的开发和筛选。 化学化工领域积累了大量的数据，而数据挖掘新方法也不断涌现，这促进了数据挖掘技术在化学化工中的应用。本文的研究表明，数据挖掘方法对材料设计和构效关系建立的数学模型准确度较高，将在材料的配方和工艺优化以及药物设计的构效关系研究中发挥更大的作用。