数据挖掘作为一种融合了多个领域的理论和技术的科学,是当前的一大研究热点。其中的基于决策树的分类算法由于简单、直观等特点得到了广泛的应用。和其他的分类算法相比,决策树算法具有计算量小、可显示重要的决策属性、分类准确率高以及较易提取显式规则等优点。本文在学习和分析现有的数据挖掘技术的基础上,重点研究了数据挖掘的数据抽样策略和决策树C4.5算法。提出一种结构化的数据抽样策略,通过有效的利用已生成的知识结构,再对预决策树进行更加具有平衡性的抽样进而形成目标数据集。实验证明该抽样方法与随机抽样方法相比,可对准确率有一定的提高。改进了决策树C4.5的连续属性处理方法。改进连续属性的分割阂值的选择方法,同时引入了新的两个变量,省略原C4.5算法中的两次顺序查找。实验证明,该改进算法有效地提高了运算执行效率,节省了一定空间,同时不会对决策树的生成造成影响。同时,本文基于互联网上的银行个人信贷信息,采用新的数据抽样策略和改进后的决策树C4.5算法进行建模,从分类预测的结果来看,该模型有着精确度较高、效率更高、空间更少的优点。