随着数据库技术的快速发展，各个领域堆积的数据也越来越多。数据库虽然有着很强大的采集数据和存储数据的能力，但是数据分析能力却相对薄弱。无法挖掘到隐藏在海量数据背后的信息，导致数据爆炸和知识匮乏的普遍现象。如何从海量的数据中提取有用的知识成为当务之急，数据挖掘也正成为当今信息技术的一个重要研究内容。　　 我国的证券市场从上个世纪90年代起步，到现在已经经历了几十年的发展壮大，各个证券公司都积累了海量的历史数据，如何对这些数据进行有效的处理，成为证券市场发展的一个难题。同时，证券业中的很多业务都需要对历史数据进行处理后才能展开，数据挖掘技术的诞生为海量数据的处理提供了有效的方法。通过对历史数据的加工处理，挖掘历史数据中隐藏着的有价值信息，为证券公司和股票投资者提供参考意见。　　 本文阐述了数据挖掘的基本概念，并对数据挖掘中的分类技术进行了深入分析，主要研究分析了经典的决策树算法、自组织特征映射图(SOM网络)、K-means聚类算法。　　 本文的主要工作有以下三点：　　 (1)把经典的决策树算法应用到股票历史数据分析中，通过对历史数据的分析，建立了股票价格走势决策树预测模型。经过对测试数据的测试，实验结果是可以达到指导投资者进行股票投资的目的。　　 (2)具体的分析了SOM网络与K-means算法的特点，并根据SOM网络与K-means算法的各自缺点建立了基于SOM&K-means混合聚类算法。通过对数据的训练与测试，最终得到的聚类结果明显优于单独的SOM网络和K-means算法。　　 (3)在SOM&K-means混合聚类算法的基础上，提出了基于SOM&K-means混合聚类的交易规则。把此交易规则应用到沪深300指数走势的预测中，最后通过与B&H策略和Resta的R1，R2，R3交易规则在统计指标和经济指标上的比较，得出在band等于0的情况下，基于SOM&K-means混合聚类的交易规则在统计指标和经济指标上要优于B&H策略和Resta的R1，R2，R3交易规则。　　 本文的创新：在决策树应用中，根据股票走势的特殊性，提出了一种特殊的剪枝方法，得到了比较满意的决策树预测模型；在股票投资预测中引入了SOM&K-means混合聚类方法，并在混合聚类的基础上提出了基于SOM&K-means混合聚类的交易规则。