数据挖掘就是在给定数据中发现数据之间的联系的过程。目前，人们对数据挖掘方面的研究主要集中在聚类、知识分析、决策支持等方面。分类算法是数据挖掘核心技术之一，是当前数据挖掘领域的一个研究热点。同时，粗糙集作为一种研究数据表达归纳的重要方法，在数据挖掘、知识发现方面有着不可替代的作用。传统的基于区分价值的算法需要对全部候选测试属性的取值进行比较，决策树规模较大，分类精度不是很高。为了获得更好的分类效果，降低决策树的规模，提高分类精度，本文对基于区分价值的属性选择判据的决策树算法进行了如下改进：首先，将粗糙集技术和决策树理论结合起来，针对于传统的基于区分价值的决策树算法必须依次比较对象的区分价值，从而导致时间开销过大的问题，提出了改进算法一。该算法定义了“FI”和“SI”两个参数，减少对象之间的比较次数，有效提升了时间性能，最终达到了缩小决策树规模的目的。其次，为了进一步降低决策树的规模，改进单变量决策树没有充分考虑属性间的相互关联的不足，引入了基于区分价值的多变量改进算法二，该算法选择“FI”里面参数I(a)（某属性值上取值不同的个数）取值最大和次大的属性作为多变量检测属性；若属性集中“FI”为空，将“SI”中的属性按区分价值排序，对属性进行分类，进一步改进决策树算法。最后，在UCI数据库的三个数据集上比较了基于ID3算法、建立在区分价值基础之上的单变量的决策树算法（改进算法一）和建立在区分价值基础之上的多变量决策树（改进算法二）三者的效果。通过实验我们发现，改进算法一在维持生成决策树时间开销基本不变的同时，分类的准确性有所提高，但是，所生成的决策树规模有进一步优化的空间。改进算法二能够构造一棵结构更为简单的决策树，分类的准确性进一步提高。