随着企业信息化进程的不断推进,针对工业、商业、金融和信息检索各种应用所产生的巨大数据集而进行的算法研究,已经成为数据挖掘领域研究的主要动力。数据量不断增加,如何处理海量数据成为数据处理的一大难点。解决这个问题有两种方法:一种方法就是减少响应时间的采样方法,但在一些情况下,减少训练数据集可能会导致计算模型不准确,更为严重的是,挖掘模型可能根本没有用,如轮廓识别、异常点识别等;另外一种方法就是并行计算方法。并行计算方法是相对于串行计算方法来说的,所谓的并行计算分为空间上的并行和时间上的并行。空间上的并行是指用多个处理器同时执行计算,而时间上的并行则是指流水线技术。并行数据挖掘和高性能计算机结合在一起,就能为挖掘海量数据集提供一个最佳的研究方案。在众多的分类算法中,决策树具有出色的数据分析效率和排除噪音的强壮性,具有易于提取显示直观易懂的分类规则和易于显示重要的决策属性等优点,是典型的以逻辑模型的方式输出的分类结果的数据挖掘技术。目前学者们已经开展了对决策树并行算法的研究,但是存在着通信量过大、数据分布不合理、负载不平衡和可扩展性差等问题,出现了算法性能随数据量的递增而下降的情况。为解决现有决策树并行算法中存在的问题,本文搭建了并行计算环境,并对决策树并行化进行了认真分析,给出了决策树构建的并行性方案。在对决策树的并行训练策略进行性能分析的基础上,选择了横向数据划分方法,保证了决策树的精度。采用C语言设计并实现ID3并行算法,该算法在执行效率、减少时间复杂度方面具有较好的性能。最后将ID3并行算法应用于学生考试成绩的实例中,得到决策树模型以及决策规则。