决策树由于其简单、准确和较强的可解释性而被广泛应用于不同领域。与其他现有的分类器类似,这些基于树的分类算法是为定长的向量数据开发的,并且在处理复杂数据（如序列）方面存在一定的局限性。为了解决离散序列的分类问题,目前主要采用的策略是基于两步过程的序列分类算法,然而这种方法高度依赖于特征生成过程,并且可能会遗漏一些对构建树至关重要的特征。为了解决这些问题,本文完成了如下两项工作:（1）提出了一种新的面向序列分类的决策树算法Seq DT,该算法以自顶向下的递归方式构建决策树:根节点和每个内部节点根据是否包含分裂特征将训练集分为两个不相交的子集,其中分裂特征是具有最高基尼指数变化值的子序列。本文将分裂特征的选择问题转化为最佳相关模式挖掘问题,利用分支定界法在所有子序列组成的集合中自动选择分裂特征;（2）为了进一步提高分类准确率,又提出了基于Seq DT的随机森林模型。该模型是一种基于树的集成方法,在构建每棵决策树时使用有放回的采样方法得到子训练集并且创建每个节点时通过随机选择子序列的最大长度创建特征子集。在十四个真实数据集上以分类准确率和G-mean作为评价指标,得到的实验结论为:首先,Seq DT可以达到比现有的序列分类算法更高的平均分类准确率和G-mean;其次,Seq DT使用的模式数目和运行时间远小于两种和它密切相关的对比算法;另外,通过分析一些关键参数对算法性能的影响可以发现,Seq DT的算法稳定性较强;最后,基于Seq DT的随机森林模型可以得到比Seq DT以及其他算法更高的分类准确率。同时,随机森林的分类准确率、训练时间以及验证时间都会随着决策树数目的增加而增加,在实际应用中,决策树的数量取决于分类准确率和时间之间的权衡。