随着计算机技术的发展,信息规模与日俱增,信息的组织形式也变得越来越复杂。人类正面临着“被信息所淹没,但却饥渴于知识”的信息过载困境。因此,数据挖掘,作为一种从海量信息中发掘知识的技术,变得越来越重要,越来越多的研究人员投入其中。在众多数据挖掘技术中,分类是一个重要的基础技术,具有非常广泛的研究和应用价值。本文针对数据分类任务进行算法研究和实现,并开发了一个通用的数据分类系统。为此,本文完成了如下的工作：其一、在决策树、K-近邻、朴素贝叶斯以及前馈神经网络四个基础分类模型之上,基于投票策略,实现了一个集成分类模型。本文在多个数据集上进行了一系列对比实验,结果表明,所实现的集成模型比四个单独的模型都具有更好的分类性能。其二、实现了一个包括四种常用分类算法以及集成分类算法在内的数据分类系统。系统具有数据预处理、数据分类、分类效果评价、结果可视化显示四项功能。其中,数据预处理主要包括缺失值的填充、光滑噪声数据及属性规范化；分类效果评价主要采取交叉验证的方式；结果可视化显示使得用户愿意进行主动探索,在探索过程中有可能发现意外的知识。软件测试结果表明,系统具有良好的可靠性,可以满足对大部分结构化数据的分类需求。