分类问题是数据挖掘的主要任务之一。分类算法是指通过训练得到一个分类模型并对未知类别的样本进行预测,它在数据分析中的应用极其广泛。局部均值伪近邻算法（LMPNN）是将经典的局部均值K近邻算法（LMKNN）和伪最近邻算法（PNN）相结合,充分利用了数据集中每一个近邻样本的信息,减小了噪声点对分类准确率的影响。该算法的主要优点是简单、快速且易于实现。但是,该算法也存在着明显的缺陷。本文的主要工作就是针对LMPNN的缺陷进行改进,具体的研究内容和研究结果如下:针对局部均值伪近邻分类算法（LMPNN）对异常点和噪声点比较敏感的问题,提出了一种基于双向选择的伪近邻算法（BSPNN）。首先,利用邻近性度量选取k个最近邻,让测试样本和近邻样本通过互近邻概念进行双向选择;其次,通过计算每类中互近邻的个数及其局部均值的加权距离,从而得到测试样本到伪近邻的欧氏距离:最后,利用改进的类可信度作为投票度量方式,对测试样本进行分类。BSPNN算法在处理复杂的分类任务时,具有能够准确识别噪声点,降低近邻个数k的敏感性,提高分类器的性能等优势。在15个实际数据集上进行了仿真模拟实验,并与KNN算法、WKNN算法,LMKNN算法,PNN算法、LMPNN算法、DNN算法以及P-KNN算法进行了比较,仿真实验结果表明,基于双向选择的伪近邻分类器性能优于其它几种近邻分类算法。针对局部均值伪近邻算法（LMPNN）对k值比较敏感且忽略了每个属性对分类结果的不同影响等问题,提出了一种参数独立的加权局部均值伪近邻分类算法（PILWMPNN）。首先,利用差分进化算法的最新变体—SHADE算法对训练集样本进行优化得到最佳k值和一组与类别相关的最佳权重w;其次,利用得到的w计算测试样本与各类样本间的加权距离,并对测试集样本分类;最后,对15个实际数据集进行了仿真实验,并与其它8种分类算法KNN算法、FKNN算法、WKNN算法、LM PNN算法,LMKNN算法、MLMNN算法、WRKNN算法和WLMRKNN算法进行了比较,分类准确率和F1值大约提高了28%、23.1%;此外,Wilcoxon符号秩检验、Friedman方差秩检验以及Hollander-Wolfe两处理比较结果表明,参数独立的加权局部均值伪近邻分类算法在分类精度以及k值选择方面具有明显优势。