数据库蕴含着大量信息，可以用来作出各种智能的商务决策。作为新兴的知识发现技术——数据挖掘以及辅助决策工具——决策支持系统已越来越受到人们的关注，它们为人们从大量数据中获取感兴趣的、有用的信息提供了便捷之道。 随着数据挖掘技术以及人工智能技术的不断发展，智能决策技术在许多领域得到研究和应用，并发挥着越来越重要的作用。本文就是基于数据挖掘和决策支持系统领域的相关知识和技术，针对商业银行的信贷业务中的关键环节——贷款风险分类，进行了理论和方法上的研究。 在数据挖掘的众多功能中，分类是其中一项非常重要的任务，它通过找出描述并区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类。决策树算法是以实例为基础的归纳学习算法，以其易于提取显式规则、计算量相对较小、可以显示重要的决策属性和较高的分类准确率等优点而得到广泛的应用。据统计，目前决策树算法是利用最广泛的数据挖掘算法之一。 基于银行的IT现状，笔者将改进的决策树算法应用于银行智能决策系统的信贷分析系统，用决策树的技术来实现银行贷款风险分类，以提高银行降低不良贷款比例的能力。为此，本文主要进行了以下几个方面的工作： 1、数据挖掘基本知识的深入研究及探讨。介绍了数据挖掘技术的基本理论，数据挖掘基本概念、功能和过程，并对数据挖掘常用技术进行了分析。 2、决策树技术的分析与研究。通过第三章，对C4.5算法及其基本思想进行了归纳、分析和研究，分析了其优缺点，并引入了粒子群算法来改进C4.5算法。 3.针对传统决策支持系统的局限性，介绍了基于数据仓库的决策支持系统，并分析了数据挖掘技术在决策支持系统中的地位与作用。并提出了银行智能决策系统总体解决方案。 4、介绍了决策树技术在银行贷款风险分类中的应用。利用改进的C4.5算法生成决簧树模型，并由此产生了分类规则。