从数据中挖掘知识和信息已成为解决许多实际问题的重要手段。决策树是最常用的数据挖掘算法之一。但现有决策树算法处理高维数据时存在计算量大、资源占用多的缺点。本论文面向高维数据,研究决策树的快速构造方法。首先,为减少构建决策树的计算量,我们提出了基于混淆度的启发式决策树构建算法。该算法利用父节点的计算结果估计部分子节点的上界,从而削减了找到子节点最优解的计算量。实验结果表明无论是单棵决策树还是集成决策树,该算法都不会对决策树的模型准确度、概念简洁性造成负面影响,并且在数据维度大于1000的高维情形下可以降低约70%的计算量。其次,为优化决策树构建过程中的资源占用和磁盘负载,我们提出了一种基于横纵划分的决策树并行构造方式。和传统方法相比,该方法的集群内存占用量从O(T)降为O(√T),其中T是并行进程数。对应的单并行进程的内存占用量从O(1)降至O(1/√T),即集群的扩大和并行数的增加可以降低单进程的内存占用量。数学分析和实验结果表明,该方法对网络通信量、磁盘读写量、计算量没有负面影响,并且在不同规模的集群上都取得了良好的并行效率。