本文主要介绍的是数据挖掘中非常有名的预测样例类别的分类问题。分类问题的任务是对已有类别的数据集用分类器挖掘一组规则集来预测新样例数据的类别。一个分类规则集表示为一组规则的析取,其中的每一条规则就是一个析取项。小析取规则就是那些分类过程中仅能覆盖很少训练样例的规则。它们从天然特性上看就具有错误倾向和不可靠性。然而,尽管一个小析取规则的覆盖量很小,但是所有小析取规则合起来就能覆盖大量的样例,这样就会严重降低整组规则的分类准确率。所以研究一种新的有效的小析取规则的发现和处理机制具有很重要的意义。目前针对于小析取规则的国内外研究成果相对较少,由于对小析取规则的定义和评价方法比较单一,没有一个公认好评的标准,所以本文提出了一种新的小析取规则的动态评价方法,综合考虑了样例空间和错误率两个因素,引入了模糊理论,设置了具体的衡量方法。其次,通过对小析取问题的研究发现最大一般性偏见适合处理大析取规则,最大特殊性偏见适合处理小析取规则,而且用组合方式处理小析取问题效果较好,而决策树分类方法采用信息增益率作为属性选择标准,它是属于最大一般性偏见,适合挖掘大部分数据库领域知识,粒子群算法(PSO)使用灵敏度和特效度作为适应度函数,正好适合处理小析取规则问题,所以本文采用了混合决策树/粒子群(DT/PSO)算法来解决小析取问题。最后,本文实现了混合DT/PSO和混合DT/GA两种算法来解决小析取问题,并进行对比分析,试验结果显示本文提出的混合DT/PSO算法处理小析取问题的很有效。