分类技术是数据挖掘领域中一种非常重要的研究方法。近几十年来,信息技术的高速发展造就了新一代数据的出现,而这一类数据都有着相似的特性,即高速的、高维的、连续的、动态的、快速变化的、海量的数据集合。如何有效合理利用这些庞大复杂的数据让其为我们服务,成为数据挖掘领域中分类技术要解决的问题。面对这些高维、连续的、动态的复杂数据,传统的分类算法已不能够有效的对这些数据进行分类处理。因此,要进行分类就必须针对现有分类算法的缺点进行研究,针对分类算法的缺点提出改进,使改进的分类算法能更好的处理复杂数据。针对现有的决策树分类算法的不足,本文从以下几个方面进行改进。首先针对决策树分类算法处理连续属性数据时分类准确性不足的缺点,本文给出了一种BMIC离散化算法的改进算法—New-BMIC离散化算法,该离散化算法能够改善原有BMIC离散化算法在离散化合并的过程中模糊合并的不足,精确离散区间数,达到更好的离散化效果,提高对连续属性的分类精度;其次,针对现有决策树分类算法在处理属性选择时过度拟合、计算效率低下问题,本文给出了一种新的属性选择标准—方差规约,该方法是根绝方差的计算方式来衡量决策树拆分标准,从理论上该方法替代了对数的计算,提高了属性选择标准的计算效率,整体上可以降低决策树分类算法的时间复杂度,使其在应用领域上可以达到及时性、准确性;最后,将属性选择标准和新的离散化算法两个部分进行组合,使改进后决策树分类算法能够有效处理连续属性数据,同时也能减少过度拟合和提高决策树整体的分类效率。最后通过实验验证了改进算法的有效性和正确性。