ABCD均为决策树归纳算法的重要特征。

决策树归纳算法是一种常用的机器学习方法，主要用于分类任务。下面对每个选项进行分析：

A: 决策树归纳是一种构建分类模型的非参数方法。
- 这是正确的。决策树是一种非参数方法，因为它不假设数据服从任何特定的分布。

B: 已开发的构建决策树技术不需要昂贵的计算代价，即使训练集非常大，也可以快速建立模型。
- 这是部分正确的。决策树算法（如C4.5, CART）在构建过程中涉及到计算信息增益或基尼指数等指标，这些计算在某些情况下可能会比较耗时，尤其是当特征数量和数据量非常大时。然而，决策树相对其他一些复杂模型（如深度神经网络）来说，计算代价还是较低的。

C: 决策树相对容易解释，特别是小型的决策树。
- 这是正确的。决策树的一个显著优点是其可解释性，特别是树的结构较小时，每个决策路径都可以清晰地展示出来。

D: 冗余属性不会对决策树的准确率造成太大的影响。
- 这是不完全正确的。冗余属性虽然不会直接影响决策树的最终准确率，但它们可能会增加决策树的复杂度，导致过拟合，从而间接影响模型的泛化能力。

综合上述分析，正确答案是：
A: 决策树归纳是一种构建分类模型的非参数方法。
C: 决策树相对容易解释，特别是小型的决策树。

因此，正确答案是A和C。