形形色色的信息汇聚成浩瀚的数据海洋,如何快速对数据进行准确的分类并从中提取出有用的信息已经成为人们面临的一大现实问题,因此,如何解决这一难题的工作已经逐渐变成了一类热门的研究课题,即数据挖掘。数据分类作为数据挖掘的重要一环,其主要目标是通过采用一些高效的分类算法,来尽可能准确地预测待测样本的类别,其中KNN算法作为一种比较经典的分类算法,准确率高,简单有效。但是经典KNN算法在处理样本数繁多的样本集时需要巨大的计算量,从而使得数据分类过程消耗过多的时间。本文提出了一种改进KNN算法,该算法在训练阶段首先根据样本密度对整个训练集进行裁剪,然后将裁剪好的训练集进行聚类处理,得到了若干个密度比较均匀的类簇,接下来以类簇的形心向量为球心,类簇中心到与之距离最远的样本点之间的距离为半径,将类簇转化为超球,并根据超球所包含的样本数在其所属类别的总样本数中所占的比例为其赋予权值。在测试阶段,采用了基于k个超球和基于1个超球的两种侧重点不同的测试方法,其中,基于k个超球的方法更侧重于使算法取得更高的准确率,而基于1个超球则更侧重于使算法耗费更少的分类时间。由于在训练阶段有效地降低了训练样本数并且改善了样本的分布情况,因此测试阶段的计算量会大大下降而且准确率也得到了一定程度的改善。最后在选取的10个UCI样本集上对本文算法进行模拟实验,实验结果表明,本文提出的算法是一种有效的分类方法,它在分类准确率和分类时间这两个方面均取得了良好的实验结果。