对数据挖掘的研究源自人们对海量数据进行有效处理的实际需求。作为数据类型的一种,时间序列在各种各样的数据库和数据仓库中都比较常见。从广义上讲,凡是随时间变化而观测或采集的离散点数据,按照时间顺序排列而形成的序列都可以称为时间序列。目前,对时间序列数据进行挖掘已成为当前数据挖掘研究的热点之一。现有的数据挖掘方法难以精确反映时间序列中实际存在的时间累积效应,为此,在国家自然科学基金和总装备部武器预研基金的资助下,本文提出了一种新的数据挖掘方法——基于双隐层径向基过程神经网络的数据挖掘方法,并对其正确性和有效性进行了实际应用验证。本文主要包括理论和实际应用两个方面的研究工作:在理论研究方面,本文深入研究了面向过程神经网络应用的数据准备技术和数据挖掘流程,首次提出了双隐层径向基过程神经网络的概念,在此基础上,与数据挖掘技术相结合,提出了一种基于双隐层径向基过程神经网络的数据挖掘方法。针对这种新的数据挖掘方法,本文采用将软竞争学习算法与改进的BP学习算法相结合的学习算法对双隐层径向基过程神经网络进行学习训练,并以仿真案例证明:本文所提出的基于过程神经网络的数据挖掘方法在时间序列数据挖掘上具有很好的应用效果。在实际应用方面,本文针对我国航空公司在航空发动机性能衰退预测方面的实际需求,以反映发动机性能状态的参数数据作为实例,讨论对其进行数据准备的具体方法和流程;而后又采用本文所提出的基于过程神经网络的数据挖掘方法,对发动机的排气温度指数和滑油金属含量两组时间序列数据进行了数据挖掘,实际结果表明了本文所提方法的有效性和实用性。本文提出的基于双隐层径向基过程神经网络的数据挖掘方法,丰富了过程神经网络理论体系,开拓了处理时变数据挖掘的新思路,为航空发动机性能衰退的监视和预测提供了一种新手段,因而具有一定的理论意义和实用价值。