决策树是一种经典的机器学习算法，通过树状结构对数据进行分类或回归预测。其核心思想是通过一系列「如果-那么」的规则划分特征空间，每个内部节点代表一个属性测试，每个分支代表测试结果，而每个叶节点则存储最终的决策结果。决策树具有直观可解释性强、计算效率高等特点，能够自动筛选重要特征，且对数据预处理要求较低。
在自动驾驶领域，决策树常用于行为决策模块，如变道判断、紧急制动等场景规则的建模。相比黑盒模型，决策树的可解释性使其更符合功能安全要求，工程师可以清晰追溯每个决策背后的逻辑链条。随着集成学习方法的发展，基于决策树的随机森林、GBDT等算法在感知预测任务中展现出更强的性能，成为自动驾驶系统的重要组成部分。