分类是数据挖掘的重要任务之一,决策树模型是数据挖掘的常用分类模型,自1966年被提出以来已经得到了广泛的研究和应用。然而,由于在决策树的构造过程中采用了贪心算法,因而造成了决策树容易过分拟合、规模过大、产生的规则长度过长等特点。针对这些问题,研究人员提出了多种优化方法。本文对现有的决策树方法进行了全面的研究的基础上,提出了一种基于粗糙集合理论的决策树优化算法。本文的主要工作如下:(1)介绍了KDD的定义、基本过程、应用范围和面临的主要问题,介绍了决策树算法的应用、常用的分类模型和基于决策树的经典分类模型。(2)对现有的各类决策树优化技术进行了详细的介绍,如修改测试属性空间、改进测试属性选择方法、决策树的剪枝、对数据进行限制和改变数据结构等,并介绍了每种方法中比较经典的算法。同时对各种方法进行了定性分析,比较了各自类方法的优缺点。(3)基于以往所提出的多变量决策树模型的不足之处,本文提出了一种改进的多变量决策树算法VPMDT,该算法通过选取属性的合理组合作为分裂属性,可使得树的规模相对较小。通过实验比较,证明了我们所提出的算法的正确性和有效性。(4)基于上述研究,实现了一个原型系统,该系统通过从文本导入数据构建决策树模型,并能够通过导入测试数据计算模型的分类预测正确率。通过该系统,能够分析比较算法之间的性能差异。