数据挖掘是一种能够从海量数据中提取有价值信息的技术。它可用于发现隐藏在数据中的聚类模式、关联模式、分类模式等，以辅助人们决策。其中，分类是数据挖掘的一项重要任务，而决策树就是一种能有效用于数据分类的方法。决策树结构简单、容易产生规则、易于理解，在实际中应用极为广泛。 首先，本文基于粗糙集理论改进决策树算法。先利用粗糙集理论进行决策表的属性约简，再进行基于粗糙集的决策树构建。经典粗糙集存在着处理噪声数据能力差的不足。为此，本文基于变精度粗糙集的思想对蒋芸博士等(2004)提出的决策树算法进行改进，提出变精度加权平均粗糙度的决策树构造算法。实验结果表明改进后算法构造的决策树结构简洁，泛化能力更强。 其次，本文还将提出基于属性区分度的决策树构造算法。其主要思想是决策树的每一次分枝都尽可能使属于不同决策类的数据分开，而使属于同一决策类的数据集中在一起。同样，仿真实验结果表明该算法在多数数据集上构造的决策树比经典的ID3算法要好。 最后，本文以电信业客户关系管理(CRM)为背景，基于数据挖掘的基本流程，在一个电信客户流失数据集上分别以ID3算法以及本文改进和提出的决策树算法构建一个客户流失预警模型。模型结果比较表明后两者构建的模型均优于前者。