数据挖掘自上世纪80年代后期出现以来,经过二十多年的发展,现在已成为机器学习和人工智能这两大热门领域的重要研究内容。特征属性提取、冗余属性约简、分类精度和算法效率的提高以及相关算法针对某特定领域或背景的改进和应用都是目前数据挖掘的研究重点。在数据挖掘的所有方法中,决策树分类算法以其计算量小、容易理解、运行结果直观易懂等优点,受到众多学者关注。所以,本文通过对相关领域现有算法的深入研究,针对属性约简和决策树分类存在的不足,做出相应的改进,并选择多个UCI数据集做对比实验,取得不错的效果。具体来说,主要研究内容包括以下三个方面：(1)在进行属性约简时,现有算法所采用的重要属性选择标准倾向于选择取值个数较多的属性,而没有考虑属性取值的有效性。因此,本文提出了一种新的重要属性选择标准,该标准使用了支持度对属性的有效取值进行统计,并将有效取值个数和p_逼近精度综合作为衡量属性重要性的标准。(2)本文针对现有决策树分类算法存在的对噪声数据敏感和分裂属性选择困难等不足,结合变精度粗糙集能够容忍噪声数据的优点,提出了一种新的分裂属性选择标准,该标准从变精度明确区和信息论的角度进行综合考虑,使得改进算法构造的决策树既能有效抵抗噪声数据又具有较高的正确分类率。另外,通过引入置信度和支持度的概念实现在决策树构建过程中的预剪枝,可以有效降低树的规模；将匹配度应用到对测试数据的类标号预测中,提高分类精度。(3)将经过属性提取、数据预处理等步骤的冠心病中医诊疗病例作为实验数据。首先进行属性约简,挖掘出对冠心病有影响的因素；然后使用约简后的数据构建决策树,提取决策规则,实现对冠心病病例样本的中医症型分类。