分类作为数据挖掘领域中的核心研究内容,在现实生活中有着非常广泛的应用,例如根据病人的临床病症属性判断病人患了什么病。常见的构造分类器的方法有很多,如贝叶斯网络、支持向量机、人工神经网络和模糊集等等。而朴素贝叶斯分类算法作为贝叶斯算法家族中的一种经典分类算法,因其结构简单、计算高效的特性得到了广大学者的重视。朴素贝叶斯分类算法基于这样一种假设:在给定类标记时,属性值之间是相互条件独立的。这种假设虽使得其计算简单,但同时也限制了它在许多属性间相关性较强的数据集上的分类表现。因此学者们纷纷从放松它的假设条件入手提出了众多的改进算法,平均单一依赖估计算法和隐朴素贝叶斯算法则是其中的优秀代表。它们不仅极大提高了原算法的分类精确度,而且还在众多不同种类的数据集上均有较好的分类表现。本文以平均单一依赖估计算法和隐朴素贝叶斯算法为基本研究对象,并考虑到在实际应用中数据类型对分类的影响,提出了两个基于属性加权的平均单一依赖估计算法和一个基于属性值加权的隐朴素贝叶斯算法。具体的研究工作如下:(1)通过研究朴素贝叶斯分类算法和平均单一依赖估计算法,分别提出了基于相关系数Tau-y和Lambda-y的属性加权的平均单一依赖估计算法,并通过数值实验验证了两个改进算法的分类性能相较于原始算法有了显著的提高。(2)深入研究朴素贝叶斯分类算法和隐朴素贝叶斯算法,通过整合隐朴素贝叶斯算法在分类器构建过程中使用的相关属性、属性值和类标记的统计信息计算公式,得到一个属性值加权公式,提出基于属性值加权的隐朴素贝叶斯算法,并通过数值实验验证了改进算法的分类性能相较于原始算法有了显著提高。(3)以时间复杂度、分类精确度和AUC值为指标,对比本文提出的三个改进算法的优缺点,提出它们未来的研究方向。(4)将本文提出的三个改进算法应用于喘病中医诊断领域,构建了一整套喘病中医诊断的建模方法,然后通过数值实验对比了改进算法与原始算法的性能,进一步验证了改进算法的有效性。