在已有的有序决策树归纳算法中,选择条件属性和决策属性的有序互信息值最大的属性作为扩展属性,没有考虑到那些取值多且有序的条件属性和属性之间的相关性,这就造成了重复选择某个条件属性为扩展属性,这样会使得分类器的分类效果不佳，测试集的精确度不高。针对这一问题，本文对有序决策树归纳算法进行了改进，主要工作包括以下两个方面：1．提出了一种新的有序决策树归纳算法。该算法选择的扩展属性不仅和类的有序互信息值最大，而且要求和同一分支上已被用过的条件属性的有序互信息值最小，可避免同一条件属性的重复选择,真正体现了条件属性和决策属性之间的有序互信息,从而提高了测试精度。2．在有序数据集中，有的属性取值多且有序，也会影响扩展属性的选择，使测试精度降低，考虑到这个问题，用有序互信息率代替有序互信息来选择扩展属性，克服选择扩展属性时偏向取值多且有序的属性，从而提高测试精度。