针对决策树的过拟合问题，正确的选项是：

- A: 模型过于复杂
- B: 模型会将数据中的特性(噪音)学习进去
- D: 模型的泛化能力很可能会非常差

以下是对这些选项的专业分析：

1. **A: 模型过于复杂**
决策树过拟合的一个显著特征是模型变得过于复杂。随着树的深度增加，模型能够在训练数据上实现完美分类，但这种复杂性可能会导致模型在看不见的数据上表现不佳。

2. **B: 模型会将数据中的特性(噪音)学习进去**
过拟合的模型倾向于将训练数据中的噪音和异常点也学习进去，这会导致模型对训练数据的细节过于敏感，而这些细节可能并不适用于未见过的数据。

3. **D: 模型的泛化能力很可能会非常差**
由于模型在训练数据上过于复杂并学习了噪音，它的泛化能力会下降。这意味着在面对新数据时，模型的预测性能可能会显著下降。

4. **C: 模型会变得非常缓慢**
这一选项不属于决策树过拟合的现象。虽然更深的树可能在构建阶段需要更多计算，但通常不认为这与过拟合直接相关。

总结来说，过拟合是一个导致模型对训练数据表现过好但对新数据表现不佳的问题，通常通过增加模型复杂性和学习噪音特征导致。常用的解决方法包括剪枝、对数据集进行数据增强或使用更加简单的模型等。