在讨论树模型的复杂度与其在训练集和测试集上的表现时，我们需要考虑模型的拟合能力和泛化能力。

A: 树模型越复杂，对训练集的学习就越好
正确。复杂的树模型（例如深度更大的决策树）能够更好地拟合训练集数据，因为它们有更多的自由度来捕捉数据中的模式和噪声。这可能导致在训练集上表现非常好，但过于复杂的模型可能会过拟合训练数据。

B: 树模型越简单，对测试集的分数就越高
不一定正确。简单的树模型（例如浅层决策树）可能在避免过拟合方面表现较好，因此在某些情况下可能在测试集上表现更好。然而，如果模型过于简单，可能会导致欠拟合，从而使得在测试集上的表现不佳。因此，这个说法不能一概而论。

C: 树模型越复杂，对测试集的分数就越高
通常不正确。虽然复杂的树模型在训练集上表现很好，但如果模型过于复杂，可能会导致过拟合，从而在测试集上表现不佳。因此，测试集上的分数不一定随着模型复杂度的增加而提高。

D: 树模型越简单，对训练集的学习就越好
不正确。简单的树模型可能无法充分拟合训练集数据，导致欠拟合。因此，简单模型在训练集上的表现通常不如复杂模型。

综上所述，正确答案是A: 树模型越复杂，对训练集的学习就越好。