论文首先对决策树ID3算法的局限性进行了分析，针对ID3算法倾向于选择属性值个数多的属性、学习能力有限等缺陷，提出了基于属性筛选模型的ID3算法。　　改进的ID3算法采用Filter过滤器模型和Wrapper包装器模型两种属性筛选模型共同筛选属性，然后基于以信息增益率为计算原理的决策树C4.5算法对判定心理健康的数据集进行分类预测并构建决策树。在Filter过滤器模型中，用信息增益对每一个属性进行评价，计算条件属性与决策属性之间的相关性大小并进行排序。对决策属性作用较小的属性可能依然存在，基于CFS算法使用对称不确定方法去除不关联属性、冗余属性。筛选出来的属性子集用Wrapper包装器模型二次筛选，其中用BP神经网络分类算法来评价子集的价值，以便获得分类精度最高的属性集合。　　其次，通过对比实验验证改进的ID3算法在决策树的规模、分类预测精度，以及所提取出的分类规则的可理解性这三方面存在着优势。　　最后，基于改进的ID3算法从判定心理健康的数据集中发现隐藏的数据规律并总结出了简约的辨证规则，以可视化的形式表达出来，为实现心理康复治疗提供了客观依据。