本文首先对Web日志挖掘的发展现状及存在的问题进行了系统性阐述,按Web日志挖掘的流程及相关技术进行了介绍和探讨。重点分析和研究了Web日志数据预处理、聚类分析技术以及算法等Web日志挖掘关键技术。本文较为详细地阐述了模糊聚类理论、自组织神经网络算法的基本原理。并分别就模糊多重矩阵、自组织神经网络训练和聚类算法等问题加以讨论。研究Web用户访问模式挖掘,一般都是利用单一算法,考虑用户访问页面的单一属性,使用户访问模式结果具有一定的片面性、不合理性。以此为依据,为了更好地提高Web用户访问模式挖掘的准确率,降低挖掘用户访问模式的运行时间,本文提出一种基于多重模糊矩阵_SOFM的Web用户访问模式挖掘算法,在综合考虑用户访问Web页面的多种评价因素的情况下,构造多重模糊矩阵,较好的融合多个关联SOFM神经网络对多重评价因素进行学习训练,更加准确的、科学的挖掘WEB用户访问模式,同时通过自组织神经网络实现模糊矩阵的降维操作,加快模型的运行速度,增加模型的抗干扰、抗噪声功能。实验结果表明,本文提出的多重模糊矩阵_SOFM的Web用户访问模式挖掘模型,一定程度上提高了WEB用户访问模式挖掘的精确度和运行效率,是一种良好的WEB用户访问模式挖掘方法。最后,对本文取得的成果以及不足进行了总结,并对下一步的研究工作进行了展望。