数据挖掘是指从数据库中抽取隐含的、具有潜在使用价值信息的过程,是一种新型的数据分析技术,已被广泛应用于金融、保险、政府、教育、运输以及国防等领域。分类是数据挖掘中一个重要的内容。分类存在很多方法,其中决策树规则对于分类和预测是强有力的工具。决策树规则生成后,通常对于规则的排序分为两种：一种是基于规则的排序；另一种是基于类的排序。大部分的算法是基于类排序的,如PART算法。在使用基于类的排序中,一个质量较差的规则可能碰巧预测较高秩的类,从而导致较高质量的规则被忽略。而基于规则的排序就能弥补这一不足。本文就从基于规则排序入手进行分类预测研究,使其更加适合数据挖掘技术的应用要求,提高分类精确性。主要研究工作如下：首先,从宏观上介绍了数据挖掘和分类技术的理论基础,并介绍了一些传统的分类算法；其次,提出了一种新的基于规则排序的决策树规则分类方法,即CABRR算法。规则排序考虑三个因素：规则长度、规则准确率与规则覆盖率。通过与PART和C4.5算法进行实验分析比较,验证了CABRR算法的有效性；最后,将CABRR分类算法应用于银行潜在大客户挖掘上,并分析算法的实用性。