近年来各高校连续扩招，学生数量迅速增长，因此与学生相关的数据量也大大增加。目前关于学生成绩的管理大多数是借助基本的数据库管理系统，有些学校甚至还停留在纸质管理的阶段。这些管理方式不仅需要大量的人力物力，还容易出错、丢失数据等，并且只能实现最基本的查询、统计功能，无法发现数据中隐藏的关系和规则。学生成绩分析作为评价教学质量的一个重要方面，发现影响学生成绩的因素并对其进行合理配置就变的十分必要。　　对数据挖掘分类核心算法之一的决策树方法进行了深入研究，着重研究决策树中的ID3算法。针对ID3算法过度依赖取值较多的属性这一不足，提出新的属性选择方法。将粗糙集中的近似精度通过加权的方式与决策协调度结合，作为选择属性的新方法，并采用规则匹配度对数据进行预测。取UCI数据库中几个规模不同数据集，分别利用ID3算法和改进后的算法进行决策树的构建，实验得出，引入新属性选择方法的ID3算法在构造决策树的速度、预测的准确度方面都有所提高。　　通过系统实现改进后的算法并对学生成绩进行分类，对与学生成绩相关的信息如教师基本信息、课程设置等运用改进后的ID3算法建立决策树，产生诸如“在某一种课程安排下学生能够取得比较好的成绩”的规则，运用分类规则对某一教学方案能否取得较好的教学效果进行预测，更为科学地指导了教学策略的制定，为提高教学质量服务。