随着企业业务的发展，数据库中慢慢积累了大量的客户历史消费数据，如何从这些海量数据资源中发现对企业有价值的信息，成为企业将来市场决策的一个重要部分。数据挖掘技术因而被逐步应用到了银行、保险公司以及零售行业的目标市场行销中，并取得了不错的业绩。 本文主要从目标行销的角度来讨论数据挖掘技术，介绍了数据挖掘技术在目标行销中的应用、处理流程、难点问题、主要算法、评价方法，着重对目标行销中有代表性的数据挖掘算法进行了详细阐述和试验分析。经过对市场值函数算法、NaiveBayes算法、神经网络算法和决策树算法的试验比较，验证了市场值函数算法是一种非常适合应用于目标行销的算法，它具有性能强、学习时间短、可靠性高、适应不同数据集等优点。在此基础上，我们又重点对目标行销中的算法组合进行了尝试性的研究，在借鉴文本分类中的算法组合思路基础上，创新性地提出了感知元线性算法组合、神经网络算法组合，市场值函数算法组合、NaiveBayes算法组合和决策树算法组合。试验表明这些算法组合方式可以使不同算法优势互补，提高数据挖掘效果。最后，我们将所有编写的单个算法和算法组合方法集成起来，初步搭建了一个应用于目标行销的多算法集成分析的原型系统，为将来完善成为一个基于Internet的分布式的目标行销决策支持系统奠定基础。 展望数据挖掘应用的未来，我们相信应用于目标行销的数据挖掘技术将是企业营销业的一次革命，必会随着信息技术的发展，发挥越来越重要的作用。