各院校目前都积累了大量学生成绩数据，但对这些成绩数据的使用基本上还停留在一些诸如排序、筛选、简单汇总等初级处理阶段，缺乏对其加以深入挖掘分析。在这些巨量成绩数据的背后肯定隐藏着一些对教学决策和改革有重要参考价值的规则，而这些与学校实际情况相符的规则、模式的发现和应用无疑会给以始终围绕提高教学质量为中心的学校教学管理、决策及改革等各项工作的开展提供重要指导意义。另外，目前基于数据仓库、数据挖掘技术的决策分析方面的应用主要体现在企业方面，在教育行业的进一步研究及应用尚处于起步阶段。
　　 本课题主要是对数据挖掘中的挖掘分析技术之一即决策树技术在高校学生成绩分析方面进行一些应用研究并试图找到一些对提高教学质量有用的潜在而有意义的规则和模式。课题始终以决策树分类技术为主线贯穿于整个应用研究过程，以学生成绩相关数据作为挖掘分析对象。首先，通过引入客观属性重要度作为参数并提出了一种类似于但又明显弱于朴素贝叶斯算法中独立性概念的条件独立性假设并在基于ID3和朴素贝叶斯算法的基础上，对决策树算法进行了改进并进行了性能分析和比较；然后分别将改进后的决策树算法及Microsoft决策树算法、Microsoft决策树关联技术对相关学生成绩数据进行了挖掘分析；最后将改进后的算法集成到一个成绩分析系统中，为学生的学习预警及成绩预测等方面提供服务。