随着人类社会生活、学习和日常生产的进步与Internet技术的快速发展,产生了海量的、有潜在利用价值的数据信息。如何使用相关工具和技术有效、准确和经济地从海量数据信息中发现有价值的知识,提取潜在的有效规则,更好地为生产、生活服务,已经成为数据挖掘中一个热点的研究领域。数据挖掘技术中的分类算法在商业领域中应用的最为广泛,而决策树学习算法又是数据挖掘技术的核心算法之一。ID3算法是一种构建决策树的经典算法,但ID3算法存在内在偏置和生成的决策树需要进行剪枝等问题。本文主要介绍了构建决策树的新算法。针对一致决策表和不一致决策表分别作了如下研究。(1)对于一致决策表,首先定义了极小特征集合,因为极小特征集合中的特征都是必要的,所以由极小特征集合中的特征构建的极小决策树中不包含冗余特征,且规则是一致的；其次给出了一种计算极小特征集合的方法和构建极小决策树的算法,并通过实例验证算法的可行性和有效性。(2)对于不一致决策表,基于β分布构造出β分布一致集合,并定义了一个条件特征的相对辨识关系。由于每个极小特征都对应着某个条件特征的等价类,所以可以使用等价类寻找全部的极小特征,进而由全部的极小特征构成一个极小特征集合。最后,结合辨识关系和等价类,本文给出了一种寻找全部极小特征的方法和构建极小决策树的算法,并通过例子进行了验证。本文构建的极小决策树与传统的ID3算法相比,既没有ID3算法中的内在偏置,也没有由ID3算法生成的决策树需要剪枝这一过程等。