با توجه به اهمیت وجود اطلاعات مناسب برای تصمیم گیری و برنامه ریزی مدیران، دانش نوین، پیوسته ابزارها و مدل های گوناگونی را جهت پردازش داده ها و استخراج دانش کاربردی از آن ها، معرفی می کند و در این میان، داده کاوی، به عنوان دانشی که با استفاده از روش ها و الگوریتم های مختلف، به دنبال کشف الگوها و قواعد معنی دار در میان داده هاست، مورد توجه ویژه قرار گرفته است. در این تحقیق، کاربرد روش های داده کاوی، شامل خوشه بندی، شبکه ی عصبی مصنوعی و کاوش قوانین انجمنی در تحلیل داده های مربوط به صادرات و واردات ایران، در فاصله ی سال های 1374 تا 1388، یعنی بازه ی زمانی برنامه های پنج ساله ی دوم تا چهارم توسعه ی اقتصادی، اجتماعی و فرهنگی کشور، به کمک نرم افزارspss clementine 12.0 مورد مطالعه و آزمون قرار گرفته است. خوشه بندی داده ها به کمک الگوریتم خوشه بندی two-step انجام شده است و نتایج به دست آمده نشان می دهد که بیشترین مقدار ارزش دلاری و وزنی صادرات طی سال های 88-74، به صادرات به کشورهای آسیایی و کشورهای اسلامی عربی خاورمیانه تعلق داشته و از سوی دیگر، بیشترین مقدار ارزش دلاری واردات طی سال های 88-74، از کشورهای آسیای شرقی و جنوب شرقی و کشورهای شمال و غرب اروپا انجام گرفته است؛ در حالی که کمترین مقدار ارزش وزنی واردات طی سال های مذکور، مربوط به کشورهای اروپایی است. در مدل سازی پیش بینی، با دو رویکرد، از شبکه ی عصبی mlp با الگوریتم پس انتشار خطا استفاده شده است که نتایج نشان می دهد مدل به دست آمده در رویکرد دوم، که در آن مدل سازی پس از خوشه بندی کشورها انجام شده، پایدارتر است و می تواند در صورت افزودن متغیرهای اقتصادی بیشتر، با دقت بالاتری به کار گرفته شود. نتایج به دست آمده از کاوش قوانین انجمنی نشان می دهد که قواعد ایجاد شده را، به دلیل عدم تأمین مقادیر پشتیبان و اطمینان لازم، نمی توان به عنوان دانش کاربردی مورد توجه قرار داد.