数据挖掘是20世纪90年代中期兴起的决策支持新技术，是基于大规模数据库的决策支持系统的核心，它是从数据库中发现知识的核心技术。
数据挖掘能够对数据库中的数据进行分析，以获得对数据更加深入的了解。
数据挖掘技术经历了三个演变时期。
第一时期称为机器学习时期，在这时期人们将已知的并且已经成功解决的事例输入计算机，由计算机对输入的事例进行总结产生相应的规则，在把总结出来的这些规则应用于实践；第二时期称为神经网络技术时期，这一时期人们关注的重点主要是在知识工程领域，向计算机输入代码是知识工程的重要特征，然而，专家们在这方面取得的成果并不理想，因为它投资大、效果差。
第三时期称为KDD时期，即数据挖掘现阶段所处的时期。
它是在20世纪80年代神经网络理论和机器学习理论指导下进一步发展的成果。
当时的KDD全称为数据库知识发现。
它一般是指从样本数据中寻找有用信息或联系的全部方法，如今人们已经接受这个名称，并用KDD这个词来代替数据挖掘的全部过程。
这里我们需要指出的是数据挖掘只是整个KDD过程中的一个重要过程。
数据仓库技术的发展促进了数据挖掘的发展，因为数据仓库技术为数据挖掘提供了原动力。
但是，数据仓库并不是数据挖掘的唯一源泉，数据挖掘不但可以从数据库中提取有用的信息，而且还可以从其它许多源数据中挖掘有价值的信息。
数据挖掘(Data Mining，DM)，也称数据库中知识发现(knowlegde discovery in database，KDD)，就是从大量的、不完全的、有噪声的、模糊的及随机的实际数据中提取隐含在其中的、未知的、但又是潜在有用的信息和知识的过程。
现在与之相应的有很多术语，如数据分析、模式分析、数据考古等。
我们从数据挖掘的定义中可以看出它包含了有几层意义：所使用的样本数据一般要求是有代表性的、典型的、可靠的；在样本数据中发现的规律是我们需要的；在样本数据中发现的规律能够被我们理解、接受、运用。
数据挖掘过程从数据库中发现知识，简称KDD，是20世纪80年代末开始的，现在人们把KDD 过程可定义为从数据集中识别出有效的、新颖的、潜在有用的，以及最终可以理解的模式的高级处理过程[14]。
