数据挖掘(DM)是当前涉及统计学、人工智能、数据库等学科的热门的研究领域，是从数据中提取人们感兴趣的、潜在的、可用的知识，并表示成用户可理解的形式。分类是数据挖掘的一个重要分支，分类能找出描述数据类或概念的模型，以便能使用模型预测类标记未知的对象类。本文研究的是基于决策树的分类技术。与其他分类技术相比，决策树技术具有许多优点：决策树更易被用户理解；生成决策树的效率更高、更适合大训练集；决策树的生成算法不需要除训练集之外的额外信息；它可以提供更好的精确度。当然决策树技术也有缺点：一方面，它无法删除带噪声的不相关的属性；另一方面，大多数决策树被限制在每个节点上只检验单个属性。本文针对分类中条件属性很多时，其中个别条件属性对分类没有影响的情况，讨论了决策表的约简方法，为更有效进行数据挖掘在方法层面上提供了支持。最后本文对学生学习过程中的几个主要环节收集了数据并进行了相应的预处理，并在SQL Server中利用系统提供的决策树方法，生成了相应的决策树，找出了这几个环节中最能影响学生成绩的环节，为教师引导学生建立科学的、合理的学习方法提供了依据。