Web服务作为一种构建面向服务架构(SOA)的分布式计算技术,具有良好的互操作性、自描述性和模块化的特性,以其松散藕合、基于标准、高度可集成能力等优点成为当今工业界和和学术界共同关注的焦点。然而,随着Web服务的发展,Web服务的数量与日俱增,网络上出现了许多具有相同或相似功能的Web服务。现有的基于功能性描述的Web服务选择技术无法解决这一问题,因此基于QoS(价格、响应时间、信誉度等非功能属性)对Web服务进行选择的技术得到了越来越多人的关注。本课题将数据挖掘分类技术应用于消费者提供的基于QoS属性的Web服务数据。采用常见的分类方法,如贝叶斯网络、后传神经网络、支持向量机、分类与回归树、K最近邻和决策树C4.5算法建立分类模型对Web服务样本进行类预测。同时,也改进了决策树SPRINT算法,在建树过程中基于基尼指数作为划分准则并模糊化决策边界。为了验证算法有效性,我们在数据挖掘平台Weka中采用QWS数据集并应用10折交叉验证方法进行实验,结果表明改进的基于基尼指数的模糊决策树(FSPRINT)算法比其它分类方法效果好。接着对该数据集进行特征属性选择,发现决定一个Web服务最关键的属性依次是：相关度函数(WSRF)、可靠性、吞吐量、成功率、文档和可用性。