信息技术的快速发展使各行各业产生了大量有用或无用的数据,因此数据的挖掘与分类变得日益重要起来。面对爆炸性增长的数据,人们需要有效的方法来对其进行分析。K-近邻（K-Nearest Neighbor,KNN）算法是数据挖掘和模式识别领域最为经典的方法,已具有几十年的研究历史。该算法通过样本间的距离来确定近邻,同时仅调整近邻个数k这一参数即可获得分类结果,因而KNN算法具有简单易实现的特点,然而其分类性能容易受到噪声点和k值敏感性等问题的影响。协作表示（Collaborative Representation,CR）分类是一种较新的基于表示的分类方法。该算法使用所有训练样本线性协作表达测试样本,已被证实具有较好的分类性能。但当不同类训练样本比较相似时,该算法会导致有效的训练样本在分类过程中可能不占有主导地位,从而导致分类错误。本文基于协作表示和近邻分类的相关知识,进行了如下三个内容的研究:（1）基于协作表示系数的K-近邻分类（Collaborative Coeffificient-Based K-Nearest Neighbor Classifier,CCKNN）算法,CCKNN旨在改善k值选择敏感性问题,尤其在存在噪声点的小样本数据集上。CCKNN使用训练样本对应的协作表示系数来选择测试样本点的近邻样本,并且基于每类近邻域中近邻点所对应的协作表示系数值总和作为所提方法的分类决策。协作表示系数相比传统距离法求得的近邻,更能够反映样本间的相似性问题。通过在真实数据集以及人脸数据集上进行反复实验,验证了所提CCKNN算法的分类有效性。（2）基于局部多均值协作表示的K-近质心近邻分类（Multi-Local Means Collaborative Representation-Based K-Nearest Centroid Neighbor Classifier,LMRKNCN）算法,LMRKNCN旨在减少近邻域噪声点出现的概率和利用数据的空间分布信息,从而改善基于KNN算法中的k值选择敏感性问题。LMRKNCN首先求出k个近质心近邻的局部多均值,然后用k个近质心局部多均值协作表示测试样本,最后基于测试样本与协作表示后样本的残差来作为分类决策。使用近质心近邻求解局部多均值可以获得测试样本周围的几何分布信息和局部信息,另一方面,使用测试样本与协作表示后样本的残差作为分类决策函数,可以使不同的近质心局部均值对分类起到不同贡献。在真实数据集和图像数据集上的实验结果验证了所提LMRKNCN算法的有效性。（3）设计了基于协作表示的近邻图像分类原型系统。使用Python作为原型系统的开发环境,实现了本文所提两种算法与后端各模块的功能,前端界面采用HTML5语言,使原型系统界面简洁,有较强的人机交互性。在原型系统上的分类结果验证了所提算法的实用性。