避免决策树过度拟合（Overfitting）的问题可以通过以下方法，这些方法在选项中描述为：

A: 利用修剪法来限制树的深度
B: 利用盆栽法（应为预剪枝和后剪枝中的一种）规定每个节点下的最小的记录数目

以上两个选项可以有效帮助避免过拟合。我们来分析这些方法：

1. **修剪法（Pruning）**：
- **预剪枝（Pre-pruning）**：在生成决策树的过程中，提前停止树的生长，比如通过限制树的最大深度或者要求每个节点至少包含一定数量的记录。这可以防止树因为过于复杂而对训练数据过拟合。
- **后剪枝（Post-pruning）**：先生成完整的决策树，然后根据某种指标（如交叉验证集的误差率）对其进行简化，去掉一些影响较小或者不重要的分支，从而减小过拟合。

2. **盆栽法（此处应理解为预剪枝方法）**：
- 实际上这指的是设定一个最小样本数分裂（Minimum Samples Split）或者最小叶节点大小（Minimum Samples Leaf），以确保每个节点在分裂前或每个叶子节点上有足够数量的数据。这是预剪枝的具体实现之一。

而选项 C 和 D 并不合适：
- C: 利用逐步回归法来删除部分数据：逐步回归与决策树无直接关系，且删除数据可能导致信息丢失，不是避免过拟合的常用方法。
- D: 目前并无适合的方法来处理这问题：不正确，目前有多种方法可以有效减少决策树的过拟合。

因此，正确答案是 **A 和 B**。这些方法都能有效地帮助控制决策树的复杂度，防止过拟合。