近邻分类算法因其简单有效等特性已被广泛应用于各大领域,但它的诸多弊端也日益显现。其中,复杂数据的出现导致分类器的时间空间消耗巨大,这就需要通过适当的数据预处理操作来改善数据集的质量。并且实际应用中对分类精度的需求在不断的提高,这就要求不断的更新分类准则,设计更优的分类算法。因此,本文围绕近邻分类算法的改进来进行研究和分析,主要研究内容如下:首先,概括总结了几种典型的近邻分类和样本选择方法,分析了它们各自的算法原理和其利弊,并简述样本选择与近邻分类之间的密切联系。然后,针对近邻分类方法需要消耗大量的时间和空间,并且其分类性能易受到噪声样本干扰的问题,设计了融合互近邻的样本选择方法(Sample Selection Algorithm Combined with Mutual Neighbors,MNSS)。MNSS算法利用互近邻的原理来删除原始数据集中的噪声样本和冗余点,提高数据集的质量,使得分类器更加鲁棒。其次,为了改善近邻分类的分类性能,将BP神经网络和基于类间样本之间相似性的伪最近邻(Pseudo Nearest Neighbor,PNN)相结合,设计了基于BP神经网络的自适应伪最近邻分类(Adaptive Pseudo Nearest Neighbor Classification Based on BP Neural Network,BPANN)。通过BP神经网络输入输出间的映射来自适应的调节待测样本与每类训练集中各近邻间的距离加权系数,从而弥补了PNN中主观确定距离加权系数造成算法不能得到最优距离加权值这一缺陷。并通过实验验证了该算法的有效性。最后,针对离群点对分类结果的干扰,我们受到PNN和局部均值原理的启发,提出了结合局部均值的伪最近邻分类(Pseudo Nearest Neighbor Combined with Local Mean,LMPNN)方法,进一步的提高分类器的分类精度。LMPNN首先通过MNSS方法预处理数据集,再利用测试样本在每类训练样本集里的多个近邻的局部均值信息来避免离群点对分类性能的影响,进而改善分类性能。通过和其他算法的仿真实验对比分析,表明了LMPNN算法的优越性。