k-近邻(KNN)算法是一种简单而有效的分类算法。传统的KNN分类算法存在着参数k难以确定以及分类新数据时间耗费大的两个缺陷。kNN模型算法(简记KNNModel)是一种基于KNN原理的分类算法,它克服了传统KNN分类算法的这两个缺陷。KNNModel通过有监督地构建数据的多个KNN模型簇,以此代替原数据集作为分类的基础。不但减少了对参数k的依赖,还提高了分类的速度和精度。本文探讨了KNNModel的特点与存在问题,对其进行了改进与扩充,并将这些改进算法分别应用于入侵检测,信号肽预测等领域。主要工作包括：(1)基于KNN模型的增量学习算法(IKNNModel),通过在新训练样本上生成不同“层”的模型簇,实现了基于KNNModel的增量学习算法。(2)基于增量KNN模型的分布式入侵检测架构,将KNNModel算法应用于入侵检测领域,并通过分布式并行技术提高算法的效率和精度。(3)基于特征子空间的分类算法(FSub),为每个类在不同的特征子空间分别生成一个模型簇,并将其用于分类。(4)一种多分类器集成的信号肽预测方法,将FSub算法应用于信号肽预测领域,并通过一种多分类器融合的方法提高预测精度。在一些公共数据集上的试验结果表明了本文在对KNNModel算法研究上的有效性。