在模式识别、机器学习、数据挖掘等领域中,k-近邻分类由于其直观、简单等特点有着广泛的研究和应用背景。其应用范围已包括生物信息认证、图像的分类、人脸识别等领域。本文是在分析k-近邻算法的基础上,对k-近邻分类算法的改进进行了研究。主要研究工作如下:(1)提出基于类内近邻距离加权的改进伪近邻分类算法。考虑测试样本的多个近邻,距离近的对归属该类的影响较大,因而拥有的权值较大。对每个类别,测试样本得到在该类经过距离加权的伪近邻,再运用近邻分类算法进行分类,从而提高分类精度。(2)提出了基于类均值的最近邻分类算法。在分类过程中,分类精度容易受到离群点的影响。采用基于类均值的最近邻分类,利用每类样本的类均值信息,降低了离群点对分类精度的影响。(3)提出了基于局部均值的近邻分类算法。在采用近邻分类的过程中,训练样本的数量比较少从而导致分类的准确率降低。为了提高近邻分类的分类性能,利用测试样本在每类训练样本集的k个近邻的均值信息,从而提高在小样本下的分类精度,同时防止训练时过拟合。