《决策分析与决策树算法优化》针对决策技术中的决策树算法进行了深入分析和研究，与其他技术结合，提出了大量融合算法；创新性地借鉴了认知物理学的研究思想，借鉴认知物理的信息扩散理论讨论了参数波动变化时规则的取舍；借鉴这样的理论思想对传统的ID3算法进行了改进，在认知物理原有的信息熵的概念上提出了信息补偿，并在这种新的信息启发下，提出了基于信息补偿量的决策树生成算法CID3算法，有效地解决了ID3取值偏向多值属性的问题。
　　《决策分析与决策树算法优化》较完备地分析和整理了决策树与粗糙集的理论及其方法。由于ID3算法不能较好地处理带有不一致信息的数据集，这里选择了基于信息熵的属性约简进行数据预处理。由于经典的基于信息熵的属性约简算法的时间复杂度不太理想，而结合差别矩阵的方法通俗易懂，所以《决策分析与决策树算法优化》提出了一个新的基于信息熵的属性约简的差别矩阵算法。该算法的时间复杂度较以前算法的时间复杂度要小，用新算法预处理数据集，可以预先去除一些不重要的属性，从而可以生成简单易懂的决策树，提高决策树的泛化能力和预测能力。
　　《决策分析与决策树算法优化》在对数据进行预处理后，有效结合了决策树和粗糙集理论各自的优点，提出了基于粗糙边界的决策树优化算法。在该算法中，引入抑制因子，对即将扩张的结点，在常用的终止条件的基础上加入一个新的终止条件，这样不用通过剪枝就能生成一棵较合理的决策树，从而避免了树的过分细化而生成过于庞大的决策树，便于用户的理解，提高了决策树的泛化能力和对未来数据的分类、预测能力。