分类是数据挖掘的一项核心任务，而分类的依据常常是所关心的问题的某些方面的特征（通常称之为属性）。由于数据库中的数据往往与给定的属性集中的某些属性的状态（即取值）无关或关联不大，直接采用给定的属性集来挖掘知识将增大数据挖掘的难度，特别，对于巨型数据库而言，可能会导致相关数据挖掘算法的失效，因而，如何精练数据挖掘的属性集（称之为属性约简），是数据挖掘的一个关键环节。 目前的属性约简算法大都是以波兰数学家Z．Pawlak于1982年提出的粗糙集作为理论基础，其主要思想就是在保持分类能力不变的前提下，通过约简，导出问题的决策或分类规则。虽然这些算法均具有良好的理论基础，但它们的空间复杂度和时间复杂度都较高，不能有效地处理大型数据库的属性约简问题。 决策树算法是目前机器学习领域中最为成熟的内容，其优点为：1）决策树方法结构简单，无需了解很多的背景知识；2）决策树模型效率较高，对训练样本集数据量较大的情况尤为适合；3）决策树算法的计算量相对较小；4）决策树方法具有较高的分类精确度。 因此，本文结合决策树算法操作简单、分类速度快的特点，通过将知识库抽象为规则族及规则族之间的相似性比较，建立了一种基于决策树的属性约简方法（简记为BD—RED），具体工作如下：1）建立了规则的形式化描述模式；2）从结构化的角度讨论了规则族之间的相似性度量的构建问题；3）给出了BD—RED的具体实施原则；4）结合具体实例分析了BD—RED的特征和性能。结果表明，BD—RED具有良好的结构特征和较强的可操作性，可以有效地实现不同决策理念下的属性约简，适合不同类型的大规模数据库的属性约简。 最后，我们提出了改进的ID3算法（C—ID3算法），本文针对归纳学习所依赖的示例存在缺失值的情况，先对数据库做一个初步的可信度计算，然后结合ID3算法作出决策树，该算法生成的规则更精确，而且还能根据具体需要得到合适的规则。理论分析和试验仿真都表明，该方法不仅具有较强的可操作性，而且能够提高所得知识的精确度。