随着智能化时代的到来和大数据处理技术的发展,数据信息已经不仅仅是一种消息概念,而是一种无形的宝贵价值财富。时代浪潮不断向前推进,数据挖掘技术已在社会各领域中扮演了不可替代的角色,在金融分析、医疗诊断、军事设备等领域发挥着重要作用。数据挖掘算法中的决策树算法原理清晰简单,分类性能稳定,分类结果精度高,对于不同类型数据都有很好的适应性。但是一般的决策树方法无法给出人类容易理解的分类解释,所以往往导致明白分类结果却无法给出相应可解释的描述;此外,单一的决策树由于数据的随机性或不平衡性可能会产生分类准确率极低的现象。公理模糊集理论可以通过代数运算和逻辑组合将数据背后所蕴含的规则使用模糊集灵活的表示出来;集成学习算法通过多个学习器高效的集成算法,在给出的各自分类结果后,最终经过集成算法汇总得出结果,性能更加稳定且准确率有所提高。本文结合公理模糊集和集成学习算法,提出一种基于公理模糊集的集成学习决策树模型,改进了决策树分类器的节点分裂指标,提出加权模糊信息增益率,对于不同属性信息分布不均匀的数据分类效果有很大提升;对公理模糊集理论的AFS结构进行改进,增加位图存储结构,的提升了算法的效率;结合公理模糊集框架,对于每个类别都给出恰当的模糊描述,使分类器具备很好的解释性,人们可以直观地理解背后含义;结合Adaboost集成学习模型,对数据进行属性约减,构造集成决策树模型,提升了分类的准确率。将所提出的算法模型在UCI数据集上与同其他经典的分类算法做了交叉验证的对比实验,实验结果表明本文的算法模型在多数的数据集上有着更高的准确率,说明了本文模型的有效性。此外,通过前后端分离技术搭建了基于Vue和Spring Boot框架的网络在线分类系统,可以便捷高效地通过网络使用该系统对数据进行分析。