机器学习是当前大数据处理中的重要方法和手段,利用机器学习来处理图像分类是当前学者们研究的热点。在图像分类处理技术方面已经催生了许多成熟而有效的机器学习算法,其中K近邻算法(KNN)简单、直观且理论上比较成熟,是最简易的机器学习方法之一,但也存在处理图像分类时分类准确率不够高、运算效率较低等缺点。本研究旨在提高图像分类算法的分类准确率和运算效率,分别提出了三种基于改进KNN算法的图像分类算法。首先提出了一种基于K值选取策略的改进KNN算法。在改进算法中增加了两种分类决策规则,达到提高分类准确率的效果。其次提出了一种基于K均值聚类模型的KNN算法。在分类处理前对训练样本进行优化处理,然后通过K均值聚类方法把样本聚为不同的子类,每一个子类以聚类中心为新样本点构建新数据集,达到压缩样本量的效果,从而减少了运算量提高了运算效率。最后提出了一种基于并行计算模式的改进KNN算法。该算法构建并行计算模式,让整个分类算法分布式并行进行,在保持或提高分类准确率的情况下大幅度提高了运算速度。