决策树机器学习方法,是一种模拟人类学习行为的有效方法,其核心问题是如何在己知训练样本数据的基础上构建树的拓扑结构。由于机器学习问题是一个与问题域紧密相关的问题,所以不同的应用目标会引发出一些现有理论框架所不能解决,或不能很好解决的更具体更深入的话题。本工作即以汽车变速器故障诊断问题为背景,以ID3算法为基本模型,而展开的面向任务性质的机器学习方法研究工作。论文工作首先讨论了一种以ID3算法为基础的机器学习算法模型,其本质是对一组离散的目标函数进行逼近。学习后得到的函数被表示为一棵决策树,采用自顶向下的方式贪婪搜索遍历可能的决策空间。以此为基础,针对汽车变速器故障诊断问题,构建了以信息熵为节点分裂准则,以节点数据量,信息熵贡献度,结构深度为分裂停止准则的机器学习算法。在基本学习模型的基础上,论文工作进一步讨论了决策树的剪枝和冲突消解问题。给出了基于悲观错误修剪和最小错误修剪的决策树修剪准则设计,以及一种新的冲突消解策略设计。以上述工作为基础,论文工作最后讨论了汽车变速器故障诊断推理机设计问题,包括特征提取、故障诊断知识库与规则库的建立,属性表、决策表的建立,决策树学习建模的问题。并对所建立的决策树模型进行了测试分析。