数据挖掘是利用分析工具从大量的、有噪声的、模糊的、不完全的、随机的数据中,提取出隐含在其中、事先未知、但又潜在有用的知识和信息的过程,建立数据间关系模型,并用其做出预测。分类挖掘是数据挖掘中最重要的技术之一,是数据挖掘中的一个重要课题,而分类技术中的决策树方法又是重点研究的方向。它能够直接体现数据的特点,便于理解,具有较好的分类预测能力,并能方便提取决策规则。目前,很多学者已经提出了许多利用决策树对大规模数据集进行分类的算法,其中以Quinlan于1986年提出的ID3算法最为典型。该算法有两大主要缺点:1、算法往往偏向于选择取值较多的属性,而属性较多的属性却不总是最优的属性。2、ID3算法只能处理离散属性,对于连续型的属性,在分类前需要对其进行离散化。为了解决这些问题,本文使用增益比率的概念和将连续属性的取值分区成两个区间的方法,在ID3算法的基础上提出了改进算法,并用Java这种完全面向对象的高级语言实现ID3算法及改进算法,通过仿真实验进行比较,得出改进算法比ID3算法所得的决策树更为理想。另外采用XML存储待挖掘数据,鉴于XML“可以表达各种类型的数据,并且能够与不同的数据源进行交互,解决了数据的统一接口问题”的优点,尝试并应用在ID3算法的改进与实现中,为任意数据库转换成XML格式的数据挖掘提供了思路。