听力疾病对人们的生活、学习、事业造成极大的不便，同时对其家人也会有一定的影响。目前，听力研究在国内发展仍然比较缓慢，多数人做的都是关于数学统计方面的工作，但是很少做关于听力的数据挖掘。　　 数据挖掘中主要的分类模型有决策树方法，神经网络方法，贝叶斯分类方法等。通过建立相应的分类模型我们可以发现听力学中的一些“有趣的知识”。譬如，根据以往的患者症状记录对其进行分析建立模型，对未知患者的耳病进行预测等。　　 本文在采用UCI听力数据的基础上，先后采用神经网络及决策树方面对数据进行实验分析。通过分析对比发现两者之前有着很大的互补空间，神经网络方法具有比决策树方法更强的理解能力，却因为其黑箱性而难以理解;决策树算法的分类结果显示为树型结构而具有良好的可理解性，并且通过适当修剪稳健性也很好，但是其精确能力却比不上神经网络，并且当数据变量太大时候，其精准性会越来越差稳健性也会随之下降。　　 本文在研究两种模型优缺点的基础上，提出了基于神经网络构建决策树模型的组合模型方法，其过程为，先利用神经网络对样本进行预先处理，在神经网络处理后的结果之上再建立决策树模型，使得组合模型的精准性达到了92.5％比决策树的90％得到了提高，同时测试集的准确率也达到了92％比神经网络的稳健性要高出许多。继承了决策树易于理解健壮性强的优点。