决策树是分类应用中采用最广泛的模型之一。与神经网络和贝叶斯方法相比，决策树无须花费大量的时间和进行上千次的迭代来训练模型，适用于大规模数据集，除了训练数据中的信息外不再需要其他额外信息，表现了很好的分类精确度。其核心问题是测试属性选择的策略，以及对决策树进行剪枝。连续属性离散化和对高维大规模数据降维，也是扩展决策树算法应用范围的关键技术。本文以决策树为研究对象，主要研究内容有：(1)引入了一种新的降维方法：先对所有条件属性进行重要性排序，再利用神经网络不需先验知识的“黑箱”分类特点，及其分类效能高的优势，对属性进行裁减，选择出对数据分类最有效的若干基本属性，从而达到降维的效果；(2)提出了加权二分查找算法进行连续属性离散化，该方法克服了传统二分查找方法单纯划分区域，容易陷入局部最大的缺点，且相对简单，易于实现，效率高；(3)改进了传统的基于信息熵的属性选择标准，在选择测试属性生成决策树时，克服了ID3和C4.5算法选择测试属性时的偏向问题，计算量小，运行时间短，提高了决策树分类器的分类效率；(4)基于以上三方面工作，对传统决策树进行优化整合，分析了改进算法的流程，并通过实验数据与C4.5算法进行比较，证明了该算法的优势。(5)将上述算法应用于一个图像数据挖掘系统，对从图像中提取的特征数据进行训练，生成决策树后，对新特征数据进行分类，透明度高，可移植性强，效果较好。本项研究得到了“十一五”国家科技支撑计划重点项目“综合风险防范(IRG)关键技术研究与示范”(2006BAD20802)的支持。