数据分类是数据挖掘的研究热点。其目的是根据训练数据集的特点构造一个能够把测试数据集中的待测样本映射到某一类别的分类器。利用该分类器,能够提取描述数据类别的模型或预测未来的发展趋势。KNN分类算法是一种简单、易行的分类算法,然而直接应用于训练样本集,其计算量大。本文把区域分离的思想应用于KNN分类算法中,提出了基于超长方体区域覆盖与KNN结合的分类算法。基于超长方体区域覆盖与KNN结合的分类算法有效解决了KNN分类算法在分类时计算量大的问题。其基本思想是：在构造分类器时,为训练集中的每一类数据构造一组超长方体包围这些数据,不同类别的超长方体不会重叠。测试时,判断测试样本是否被某一个超长方体包围。如果被某一个超长方体包围,则该测试样本的类别与超长方体类别相同。否则采用KNN分类算法判断其类别。本文算法中KNN相似度是指一个样本同某个超长方体的相似度。度量方法有两种：待测样本到超长方体中心的距离；待测样本到超长方体表面的距离。具体实验时,KNN的相似度则由这两种距离的加权距离和构成。实验在四个数据集上完成,并与已有的分类算法进行比较,取得了较为理想的分类结果。实验证明超长方体覆盖与KNN结合分类算法是一种有效的分类算法。