Um dos principais problemas enfrentados por órgãos públicos atualmente está associado à ineficiência no uso de informações contidas em grandes volumes de dados para a gestão e otimização de recursos públicos nos procedimentos de tomada de decisão. Em particular, um dos problemas enfrentados por órgãos reguladores como secretarias de fazenda de Estados é como identificar comportamentos fraudulentos e de sonegação fiscal por parte de contribuintes. A Descoberta de Conhecimento em Bases de Dados (KDD) tem sido cada vez mais explorada como uma ferramenta poderosa na otimização dos procedimentos de tomada de decisão e na extração automática de informações escondidas nos dados de corporações. Em particular, técnicas baseadas em árvores de decisão têm sido investigadas e aplicadas como uma das opções de ferramental tecnológico em problemas de mineração de dados pela sua simplicidade e facilidade de interpretação do conhecimento descoberto, que é próximo da linguagem humana. Neste trabalho, árvores de decisão baseadas nos algoritmos ID3, SPRINT e SLIQ são investigadas e comparadas para a solução do problema de análise do perfil de contribuintes com respeito à sonegação fiscal em uma situação complexa em larga escala envolvendo um grande número de variáveis e dados corporativos da Secretaria da Fazenda do Estado de Pernambuco (SEFAZPE). Os resultados obtidos objetivamente com os modelos investigados quanto à precisão das árvores construídas, interpretação do conhecimento minerado e extração de novos conhecimentos ao domínio do problema mostraram desempenho satisfatório na tarefa de classificação dos contribuintes quanto a irregularidades nos compromissos de pagamentos fiscais. A solução desenvolvida foi também analisada e validada subjetivamente por especialistas do domínio (auditores fiscais), que demonstraram aceitação no trabalho realizado e comprovando a viabilidade e relevância do uso da mineração de dados no processo de análise do perfil de contribuintes