当前,由于互联网金融的兴起,互联网技术在金融行业的应用越来越多,数据挖掘作为当前在各个领域应用最多的数据分析技术,为大量历史数据的分析处理提供了可能。因此,本文针对银行定期存款数据集,运用决策树数据挖掘算法对客户进行分类,由于传统决策树算法的分类效率和分类准确度较低,本文进一步又提出集成分类树算法。首先,本文介绍了数据挖掘和分类技术的理论基础,给出ID3、C4.5、CART算法的基本原理和不同,并给出这几种基本决策树算法的优缺点。其次,本文把决策树算法应用于银行定期存款数据集,首先特征选择选择的最优变量为:job、marital、education、duration、poutcome;建立决策树分类模型得出8条分类规则,根据分类规则可以发现对银行营销活动十分有用的模式,为银行从业人员的决策提供了科学准确的依据。最后,由于基本的决策树算法在该数据集上拟合效果不理想,本文提出改进的决策树分类算法AdaBoost提升算法和随机森林算法;并把改进的决策树算法应用于数据集,分析其拟合效果与预测效果,并与之前的决策树分类效果进行比较,得出改进的分类算法分类效果明显优于基本决策树分类算法。本文建立的决策树分类算法模型很好的拟合银行定期存款数据集,得到的分类规则可以很好帮助这些金融机构在进行商业营销时减少营销开销,获得高价值客户;为金融行业相关部门的科学决策提供参考。