近年来，收集到的大量原始数据越来越具有函数特征，可以用函数作为表现形式。函数型数据分析方法可以将离散数据连续化，并通过高维函数获取更多能反映数据变化的有效信息，使得连续数据与离散数据联系地更加紧密，以解决传统分析方法需要较多约束条件的问题。目前较为流行的函数型数据分类方法是基于统计学的机器学习分类算法，它通过建立分类模型预测待测数据的类别。K-最近邻算法在几个监督学习方法中具有较明显的优势，通常会产生有竞争力的结果。
　　现有的研究结果主要依赖于函数型数据曲线本身的特征，而忽略了其内在蕴含的导数特征。为了充分地使用这两种特征所提供的信息，提高函数型数据的分类精度，本文提出一种融合函数和导数属性的函数型主成分特征提取方法，并应用于K-最近邻算法中。首先，使用基函数平滑方法进行数据拟合，将离散的观测数据函数化表示，并求出对应的一阶导函数和二阶导函数。接着，使用函数型主成分分析方法对数据的多属性形式进行特征分析，提取数据各属性的主要特征成分，不仅解决了高数据密度情况下的降维问题，而且可以显示出结果连续变化的动态特征。然后，在对原函数特征、一阶导数特征和二阶导数特征进行特征融合时，通过主要特征成分个数的差异性，来体现不同特征的权重差异性，从而最大限度地反映了数据的差异性和特殊性。最后，将函数型数据特征融合的结果以函数型主成分距离度量方式，应用K-最近邻算法进行分类识别。实验表明，本文所提出的属性特征融合方法可以得到一个较高的分类精度，比单一属性特征准确率高，与其他文献研究结果对比，也具有一定优势。