参数k值的合理选取是KNN算法设计中的一个难点问题。目前k值一般凭经验选取,而且传统的KNN算法中所有的测试样本都用一个k值,这对于分布不均匀的样本来说显然是不合理的,可能会降低分类的正确率。个人的信用问题是贷款违约的主要原因,建立有效的个人信用风险评估系统能降低银行的投资风险。为有效评估个人的信用风险,越来越多的学者开始把数据挖掘技术与个人的信用风险评估结合起来,设计或开发基于数据挖掘的个人信用风险评估模型,但在针对个人信用信息的自适应挖掘方面的研究还缺乏应有的成果。本文主要研究的是自适应KNN分类算法及其在个人信用风险评估中的应用。本文完成的主要工作如下:(1)针对KNN算法中k值需要提前设定而且是固定的缺点,提出一种基于局部密度和纯度的自适应KNN分类算法,该算法综合考虑测试样本的局部密度以及最大类所占的比重,测试样本选择可信度高的k值,使得测试样本的k值是通过学习样本的相关性得到的,而不是人为设定的,对于不同的测试样本选取的k值也不固定,从而提高了分类的正确率。算法可以用于无法通过经验或者需要长时间实验选取k值的情况,在一定程度上减少选取k值的时间。(2)在个人信用风险评估模型中,引入KNN分类算法。考虑到评估个人信用时,样本的每个属性所占的地位不同,可能有的特征对信用影响比较大,有的特征对信用的影响不大。对特征属性加权,提出一种改进的特征属性加权的KNN分类算法,然后将k值自适应的加权KNN分类算法应用于个人信用风险评估中,实验结果表明本文提出的算法对于个人信用的评估有较好的分类效果,可以应用到评估个人信用风险中。