分类任务作为机器学习中的重要课题之一,在许多方面已经得到了广泛应用。基于数据引力的分类方法由于模型简单高效而愈发受到关注,而大多数基于数据引力的分类方法在训练时通常不考虑数据特征的质量,平等的利用所有数据进行训练,因此影响了模型的训练结果。另外这些方法大都采用的是整体累加求和的计算方式进行分类,这种做法可能会导致样本间的冗余表达和信息丢失而导致误分类。为了解决这些问题,本文首先提出了一种以不一致性为导向的特征评价方法,该方法利用推土机距离（Earth Mover’s Distance,EMD）作为评价函数来评估样本间的不一致程度。首先根据不一致性,在近邻关系下利用数据取值将样本划分为两个不同的集合。之后利用EMD的计算思想,设计了不一致性的评价函数,该函数可以计算出这两个集合之间的转换成本,并将这个成本视为这两个集合不一致性的量化程度。最后将不一致程度转换为可以和分类任务过程相融合特征权重,帮助分类器在进行样本间度量时得到更加准确的评价结果。另外,本文又提出了一种融合了特征权重的局部数据引力分类方法。首先在局部范围内,使用了引力计算公式来计算每个样本受到的引力大小,随后挑选出具有较大引力值的样本作为每个类中的代表。之后,为了计算出这些代表样本的表示区域大小,本文又提出了引力范围的概念,该引力范围是根据样本的类别以及可靠性程度这两个标准来进行划分。最后基于待测样本和引力范围的不同的位置情况而考虑设计了新的分类规则进行分类。在上述的步骤中,距离度量均融合了第一个方法计算出的特征权重,提高度量准确度。为了验证本文所提方法的有效性,在实验中利用了真实世界数据和人工处理数据,并在多个指标下进行了系统的分析。实验结果说明了本文所提出的以不一致性导向的特征评价方法和融合了特征权重的局部数据引力分类方法可以有效的提高分类表现。在未来将会考虑将所提出的方法应用到聚类或者回归等机器学习任务之中。