随着认识和管理水平的提高,人们对客观世界的描述愈来愈全面,存储的数据量愈来愈大。大量的数据未能充分利用这一现象常常被描述为“数据丰富,但信息贫乏”。为此,决策者迫切需要能从海量数据库中提取有价值知识的工具,数据挖掘技术正是为满足上述要求而产生的。分类是数据挖掘研究的重点和热点之一。本文总结了主要的分类算法。现有研究表明:在当今数据量不断膨胀的时代,算法的执行速度、可扩展性以及输出结果的可理解性等特性更为重要。在众多的分类算法中,决策树算法特别适用于数据挖掘,是最为广泛使用的分类算法之一。本文总结了有代表性的决策树算法。决策树算法中的SPRINT算法因为具有完全不受内存的限制,生成的决策树较为紧凑和准确,易于实现并行化,以及较好的伸缩性、加速性和扩容性等优点,成为了数据挖掘中优秀的算法之一。本文研究了如何用C++语言实现SPRINT算法。实验表明:编写的程序具有良好的准确性和伸缩性,较好地实现了SPRINT算法。此外,本文研究了如何提高SPRINT算法建树速度,提出了一种提高SPRINT算法建树速度的新方法。新方法的基本思路是:利用算法使用者提供的属性值域信息将属性分为可优化属性和一般属性,然后根据属性是一般属性还是可优化属性分别采用不同的方法改进SPRINT算法构造决策树的过程以提高其建树速度。实验表明:本文提出的新方法不仅能有效地提高SPRINT算法的建树速度,而且在某些方面要优于已有的改进方法。