基于树形分类的数据广泛存在于人们的生产生活中,其具有内在的逻辑性与科学性,可以更好地表现现实事物中的包含关系。但是受限于本身的划分规则,其存在一定的局限性。主要表现在当新的划分需求出现时,会在原有树形分类下会产生一些跨越多个子类的新类,这个新类所包含的数据可能分布在原有树形分类的各个分支中。因此需要对树形分类数据进行知识构建,提取这些分支以满足新的划分需求。同时,本文根据提取的新类信息设计并实现分类查询的功能。在根据树形分类数据进行知识构建过程中,本文从树形分类的结构特点出发,将数据的位置信息作为构建的依据。当需要根据新类名进行知识构建时,将与新类名相匹配的结点信息进行剪枝,并将这些结点信息再次在树形分类的数据中进行匹配剪枝操作,重复这一部分直到无结点匹配成功时,结束知识构建。通过多次对子结点的提取,能够将不含有新类名但与之语义相关的结点提取出来,避免了仅仅基于新类名进行字符串匹配而造成构建结果不全面的问题,实现了基于剪枝的知识构建方法。在分类查询的过程中,首先需要对数据进行预处理,将其转化为分类查询算法可以处理的向量形式。然后需要对于常用的分类算法进行实验比较,选取适合本文的分类查询算法。为了验证系统的可用性,本文结合美国国立医学图书馆中的树形分类数据,对知识构建与分类查询模块进行测试,并且以网页将测试结果进行更加直观的展示。测试结果表明,基于树形分类的知识构建和分类查询模块能够满足新的划分与查询需求,并且性能良好。