灰色评估广泛应用于效绩考察、方案优选等。在专家评估问题中,专家评分矩阵是评估的主要依据和出发点。而专家评分矩阵往往带有专家的主观倾向，这种主观倾向对评估结果造成的影响不可忽视。无论是基于白化权函数或关联度的经典聚类评估,还是近年来的一些新的灰色评估方法都没有考虑到这一点。基于此，为使评估结果更加趋于客观和公正，本文结合了数据挖掘的k-NN算法和评分主体的历史记录，提出了一种新的评估方法，称之为基于k-最邻近分类法的灰色评估方法。本文的主要内容包括如下4部分：1基于k-NN的线性修正函数的灰色评估方法首先，得到专家组对当前选手组的评分矩阵，以及专家组以往评分的历史记录,其中包括该专家的评分值及选手最后的排名定位。通过历史记录可以掌握专家的主观倾向。其次，我们利用数据挖掘的k-NN方法在历史数据中筛选出与当前最为相似的数据。再次依据筛选出的数据，通过构造一次修正函数去掉专家的主观倾向，得到修正后的评分矩阵。最后，对得到的修正评分矩阵，利用综合评价方法进行评估。2基于Logistic曲线的k-NN灰色评估方法在该部分我们提出了一种非线性修正函数。总体思路与基于k-NN的线性修正函数的灰色评估方法相同，区别在于修正函数的使用上，我们根据线性修正函数的值域设定曲线修正函数的值域，根据值域找出对应的定义域，计算出函数的压缩因子，从而得出基于Logistic曲线修正函数。3考虑指标权重情况下的基于Logistic曲线的k-NN灰色评估方法在提出的k-NN灰色评估方法中，再考虑了指标权重问题，我们在筛选当前评分向量最相似的历史评分数据时，不能采用跨指标的方式计算次数分布，而应该采用指标一一对应的方式计算次数分布。即对某一评分值，不能从所有指标中计算其出现的次数，而应该在该评分值隶属的指标下计算次数。4为方便本文提出方法的应用，作为附录，编写了k-NN灰色评估系统软件，给出了该软件的全部代码。