早期的情报分析强调分析人员的专业背景和经验，更多地依靠人的智力去解读特定的、少量的数据对象，通过人的分析、归纳和推理得出情报研究的结论。随着现代信息技术的发展，情报分析越来越多地依赖以计算机为代表的信息技术，利用数据挖掘、机器学习、统计分析等方法，通过计算或者在计算的基础上辅以人工判断形成分析结论。常见的情报分析技术有因果分析、相关性分析、数据挖掘、信息可视化4中类型。

因果分析是为了确定引起某一现象变化原因的分析，即在研究对象的先行情况中，把作为它的原因的现象与其他非原因的现象区别开来，或者是在研究对象的后行情况中，把作为它的结果的现象与其他非结果的现象区别开来。

所谓相关性是两个或者两个以上变量的取值之间存在某种规律性，当一个或几个相互联系的变量取一定的数值时，与之相对应的另一变量的值按某种规律在一定范围内变化，则认为前者与后者之间具有相关性，或者说两者是相关关系。检索任务与用户情境的相关性、检索结果的排序都是典型的相关性分析，共词分析、关联分析、链接分析也是典型的相关性分析，这体现了相关性分析在情报学学科发展中的地位。在实际情报分析工作中，相关性分析应用更加广泛。不同文献类型之间的关联分析，不同机构之间的关系分析都属于相关性分析。

基于数据仓库发展起来的一种知识发现技术。是一个从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。常见的数据挖掘方法包括：①关联分析。数据关联是数据库中存在的一类重要的可被发现的知识。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。②聚类分析。数据库中的记录可被划分为一系列有意义的子集，即聚类。聚类增强了人们对客观现实的认识，是概念描述和偏差分析的先决条件。③概念描述。对某类对象的内涵进行描述，并概括这类对象的有关特征。④偏差检测。数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。偏差检测的基本目的是寻找观测结果与参照值之间有意义的差别。

信息可视化就是对信息进行分析和提取，然后以各种图像形式展现出原始数据之间的关系和发展趋势。信息可视化的显示对象一般是多维的标量数据，其本质是将抽象的数据转化成为形象化的可视结构。研究者能亲眼看见他们所模拟和计算的结果，使用户看见原本不能看见的东西。信息可视化丰富了科学发现的进程，增强了人们的洞察力，使科学家从一个全新的角度对产生的科学数据进行观察分析，是科学研究的重要方法，弥补了传统方法的一些缺陷。

在情报源数据海量化，情报用户知识需求社会化、综合化、集成化和高效化的背景下，情报分析工作将日益复杂化。因此，为了满足这一变化趋势，情报分析技术将朝着更加集成化、智能化、人性化和一体化的趋势发展。