隨著資訊科技的進步，企業越來越容易蒐集到所需的資料，但也由於資料成長的過份快速，促使企業本身累積了龐大的資料。通常，在這些囤積的龐大資料庫中，往往存在著許多重要的資訊，企業若能有麥的利用這些資訊，對於其經營或行銷策略的制定上，應有莫大的助益。換言之，如格針對大量資料有效率目正確的處理，並進一步選用適當的演算法以求得所需的資訊，是現今企業急需面對的重要的議題之一。截至目前為止企業本身在進行資料分析時，大多採用傳統的線性分析技術，因此在資料進行分析前，分析者通常會佑設資料符合各種相關之假設與條件。但由累積資料的龐大與多樣性，大部分資料的屬性均存在著非線性關係的型態，因此若直接使用傳統方法進行資料分析，不僅會受到方法本身的限制，所建構出模式本身的準確度也將無法達到理想的標準。在本研究中，我們嘗試提出一完整的資料分析技術。在整合分析的過程中，我們先使用模糊自適應共振理論網路來進行區隔分析模型的建構，並將其分群結果用來發展整合類神經網路與分類迴歸樹的分類預測模式，以進行完整的資料探勘流程。由於從實際生活中所蒐集的資料，其資料散佈狀態均不為線性型態，因此在第一階段中，主要研究重點乃希望透過所建構的非線性區隔模式，更準確地劃分出資料的區隔型態，並進一步應用區隔分析結果來建構分類預測模式。而在第二階段中，駐要的研究目的則是希望先經由分類迴歸樹褣行分析，再將長辨別之結果當作類神經網路的額外輸入資訊，以提供類神經網路一個良好的起始原點，再透過類神經網路的學習、辨識能力，來發展一個更為精確的分類系統。

　　　　　 With the help of advanced information technology, it is no longer a difficult task in collecting relevant data sets of customers. However, the data sets growth too fast, it is not easy to identify the complicate relationship in the huge data sets. Moreover, the traditional management information systems can only conduct basic descriptive statistics with respect to the collected data and therefore unable to dig out important and latent information inside the data. Data mining is a fast growing application area in business. With data mining techniques, it allows the possibility of computer-driven exploration of the data, and we don’t need to assume some hypothesis for the data. The purpose of this research is to provide a complete data analysis process, and there were two main stages included. In the first stage, we used Fuzzy ART to identify an appropriate number of clusters for the data. In the second stage, we integrated neural networks and classification and regression tree (CART) to solve the classification problems. To demonstrate the efficiency of the proposal approaches, classification tasks are performed on two data sets, the Zoo data (adapted from UCI Machine Learning Repository) and one simulated data. As the results reveal, the proposed integrated approach provides a better initial solution than the conventional neural networks. Besides, comparing with the pure numeral network approach, the classification accuracies increase for both cases in the proposed methodology.