传统的石油勘探中资料解释方法是“知识驱动”，即以模型为基础，附加许多假设条件。事实上，并非所有现象可以用公式显式表达。另外，过多的假设条件意味着忽略某些因素。从数据挖掘的角度看，石油勘探资料解释就是从石油勘探数据中发现隐藏的地质信息。数据挖掘是“数据驱动”，避开建立数学物理方程，利用数据挖掘算法直接从数据中提取信息和知识。所以，数据挖掘可以突破传统解释方法的思维瓶颈。　　应用数据挖掘之前，首先建立数据仓库。由于石油勘探涉及不同的方法，存在多种数据格式，本文引入本体(ontology)概念，构建了石油勘探ontology，解决了石油数据仓库建模中存在的信息共享和数据集成问题，并提出了基于ontology的石油数据仓库架构。在此平台上，给出了一个应用实例。　　地震数据具有空间属性，所蕴含的聚类结构可能为任意形状，而且有噪声和模糊性的，使得许多聚类算法的效果不是很理想。综合考虑到地震数据的这些特点，本文提出一种可以集成空间属性和物理属性的模糊测度，在此基础上，提出基于Fuzzylink的聚类算法。在应用实例时，本文采用两种方式验证聚类效果：二维数据采用可视化的方式；高维数据采用结合分类算法的方式，即先在聚类结果的抽样子集上训练分类模型，然后对其余数据进行测试。实例结果表明所提出的聚类算法可以达到比较好的效果。　　本文结合石油勘探的特点和数据挖掘的流程，对石油勘探数据挖掘系统采用模块化设计，分为7个子系统，每个子系统含有若干功能模块，并给出了部分操作界面。