机器学习技术在各个领域中得到了广泛应用,该领域中的KNN模型利用自身超强的实用性得到了很多学者的青睐。在将KNN应用到实际问题中时,为了得到更好的效果,需要对传统的KNN模型进行相关改进,本文针对KNN模型用于分类问题以及基于实际的应用场景即抽油机故障诊断问题,对传统KNN模型进行分析和改进,目的在于提高抽油机故障诊断的准确性。首先,针对故障分类要用到的示功图数据,对示功图的定义以及各种故障类别下的示功图的形状特点进行了详细说明。在此基础上将示功图看成由离散点构成的图形,然后直接从图形角度进行示功图特征提取,省去了转换成图像再进行特征提取的繁琐,在从图形角度进行特征提取上,观察到不同故障类型所对应的示功图相较于理论示功图不同区域的面积变化,提出了基于面积分割的示功图提取方法。其次,分析了传统距离度量方式下KNN的故障分类效果,并对KNN模型中距离度量方式进行了改进,最终得到了基于KNN的抽油机故障分类模型。最后,实验对比不同距离度量方式下的KNN模型的故障分类结果,通过机器学习领域在多分类问题中的常用衡量指标来验证改进的KNN模型在抽油机故障分类问题上的有效性和可行性。