目前在模式识别的分类过程中，基本上都需要利用分类器把待分类数据进行分类，在这个分类过程中，分类器起到了决策机制的作用，对最终的类别判别非常关键，分类器性能的优劣也将直接关系到模式识别的好坏。在模式识别中常用的几种分类器，包括人工神经网络、支持向量机、Adaboost分类器和最近邻分类器等。本文对模式识别的研究主要是通过对最近特征分类器进行改进。最近特征分类器是在非常经典的最近邻分类器的基础上，通过几何特性进行扩展有限的标准样本的个数来达到比较好的识别性能。目前比较具有代表性的最近特征分类器大概包括三个。分别是最近特征线分类器（Nearest Feature Line, NFL）、最近特征面分类器（Nearest Feature Plane, NFP）和最近特征空间分类器（Nearest Feature Space,NFS）。但是最近特征线、最近特征面和最近特征空间都存在扩展不精确和高计算复杂度的缺点，针对这些缺点本文提出了几种改进算法。本文主要的主要贡献如下。第一基于最近特征线分类器，提出了几种改进算法，并在人脸识别、掌纹识别和物体识别等应用领域，与最近特征线分类器和一些已有的改进方法相比，取得比较好的效果；第二基于最近特征面分类器，提出了一种改进算法，并在人脸识别、掌纹识别和物体识别等应用领域，与最近特征线分类器和一些已有的改进方法相比，取得比较好的效果。