从大量的数据中提取和挖掘未知的、有效的和可操作的知识就是数据挖掘，它是知识发现过程中的重要步骤。数据挖掘能够发现未知的知识，区别于那些先提出假设再进行验证的数据处理方法。挖掘结果的有效性是指数据挖掘的结果是正确、合理的；挖掘结果的可操作性是指挖掘的知识能够为决策提供支持。数据挖掘越来越多地受到各界的重视并被广泛应用于各个领域。分类技术是数据挖掘中最有应用价值的技术之一。数据分类就是在大量数据中找出一组对象的共同特征，并将数据按照分类模型划分成不同的类的过程。该模型能够把数据库中的元组映射到给定类别集中的某一个。数据分类一般分两步，建立数据模型与使用模型进行分类。在使用模型进行分类前应首先评估该模型即分类器的预测准确率；如果准确率可以接受，就可以使用类标号对未知的数据元组或对象进行分类。人工神经网络是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统，它不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习、记忆能力。基于神经网络的数据挖掘过程由数据准备、规则提取和规则评估三个阶段组成。本文研究了教学型和分解型规则抽取算法，在分析了RX分解型算法后，利用关联法对输入输出神经元进行关联计算，按关联度排完序之后，用RBF神经网络进行结点选择，这样可以大大减少神经网络的输入结点个数，简化网络结构，减少子网的递归分裂次数，提高计算效率。最后，通过两个UCI数据集中数据的验证，表明了该方法的有效性。由于目前还没有任何一种分类方法对所有的分类问题都优于其他方法，因此对于各种分类方法的改进与优化是一个非常有意义的研究方向。