规则抽取是数据挖掘中的最重要和最关键的一步，它是指从经过处理的决策表中抽取出以规则形式表式的知识。IF...THEN.... 目前,用于分类问题的方法可以分为两类:符号方法和连接主义方法。符号方法基于决策树、粗集理论等技术，得到的分类知识以分类规则的形式出现；而连接主义方法则以神经网络为代表，其知识蕴含在其结构中，不易为人所理解，因而一度被认为不适合于进行数据挖掘。然而由于神经网络在分类问题中具有分类精度高、鲁棒性好等优点，很多的研究者致力于从神经网络中抽取分类规则。其基本思路都是基于搜索的算法，对于任一给定的隐结点或输出结点，先提取符号规则，然后对生成的规则按网络的传导途径进行连接和整理。有文献提出了一种从训练后的三层前馈网络中抽取分类规则的方法。首先对每个隐层结点的输出值进行离散化；然后分别导出隐层结点与输出层结点之间的规则(规则集1)和输入层结点与隐层结点之间的规则(规则集2)；最后将两部分规则进行合并得到最终的分类规则。总的说来，从神经网络中抽取规则是一个复杂的过程，这其中隐结点的离散化过程不仅繁琐，而且会丢失信息。另外，当数据量增多，网络规模变大时，网络训练和规则抽取的时间代价将会非常大。