随着无线通信、MEMS(微机电系统)等技术的不断进步与发展,各种各样的传感数据呈现指数级增长。这些海量数据不仅给传统的数据库存储和处理器计算带来了挑战,同时也给数据挖掘领域带来了新的发展机遇。数据挖掘旨在利用分类、聚类等数据挖掘相关算法从大量、有噪声、随机、模糊的数据中寻找出有用信息。在海量数据时代,数据连续属性的准确分割、数据挖掘算法并行化对于快速获取正确的结果显得越来越重要。分类算法在数据挖掘的各个方面会被使用到,决策树分类器作为分类算法中十分重要的分类器,具有易于理解、准确率高、不需要领域知识等优点。为了提高决策树算法的效率,降低决策树构造的复杂度,本文针对传统决策树算法不适合处理海量数据的特点,提出一种决策树的并行化优化算法。相较于传统的决策树算法,在连续属性的离散化上,对于分割点的选取进行了一定的优化同时实行了属性分割的并行化。在决策树构造过程中,采用并行化的设计方案,利用MapReduce编程模型来进行决策树的构造,提出一种新的并行化方案,不仅降低了算法的时间复杂度,在一定程度上解决决策树缺乏伸缩性的问题,也简化了并行化设计过程。同时在剪枝算法上也将后剪枝算法进行了并行化实现,加快了决策树的剪枝过程。最后在对上述算法理论研究的基础上,针对家用空调设计了基于数据挖掘的家用电器能耗监测平台,帮助用户及时有效地了解家电的能耗情况。