现今社会网络信息化发展越来越快,如何在海量的信息中准确又快速对数据进行分类,并有效的提取出所需要的信息成为了人们亟需解决的一大问题。数据挖掘技术由此诞生,它采用了多学科方法交叉的新方式来解决这一难题。分类是数据挖掘中一种十分重要的方法,它主要是通过使用一些效果优良的分类算法,构建出分类模型来更高效的对待分类样本进行类别预测。其中,KNN算法是一种经典的、实现简单且分类准确率较高的分类算法。由于KNN分类算法在分类时要在数据集的全部数据中进行运算,会严重影响分类效率和准确率,因此本文将通过对数据进行预处理的方式来改进KNN算法。本文采用聚类、区域划分等方法针对算法的训练阶段中数据预处理部分提出三种改进方法:(1)使用PK-means++算法对训练样本进行聚类处理,计算出合适的中心作为球心,计算球心与各样本点之间的最远距离为半径,划分成若干个球形区域,并构建初始分类器确定新的训练集。(2)使用等半径球形区域划分方法与禁忌搜索算法,将训练样本分成若干个半径相等的球形区域,并构建初始分类器确定新的训练集。(3)将以上两种方法结合,先使用PK-means++算法计算出合适的球心,再使用禁忌搜索算法计算出合适的半径,最终形成若干个等半径的球形区域,并构建初始分类器确定新的训练集。通过以上三种方法对数据进行预处理后,在新训练集上使用KNN算法对待测试样本进行分类。在选取的6个UCI数据集上进行实验,并将本文改进后的算法与经典KNN算法、SVM算法在分类效率与分类准确率两方面进行对比分析,根据实验结果得出:基于PK-means++的球形区域划分KNN改进算法可以能够提高分类准确率,但是对分类效率影响不显著;基于TS的等半径球形区域划分KNN改进算法能够保证准确率基本不变,分类效率有效提高;基于聚类与区域划分的KNN改进算法能够同时提高分类准确率与分类效率。因此,本文提出的改进算法都比较有效,能够适当的提升分类准确率和分类效率。