目前,神经网络已被证明是数据挖掘中一种重要的分类技术,然而,神经网络映射后得到的新空间在不同程度上影响了点的分布并进一步影响分类性能。在之前的研究中,形成的空间被称为“分区空间”,它可能是不规则区域或超球体的内部区域。因此,分区空间的质量也成为神经网络分类器评估的一部分。作为可再划分分区空间的神经网络分类器,最近邻分区方法通过在分区空间中生成任意形状的边界来改进神经网络分类器,但是最近邻分区方法存在着一些问题。一方面,在分区空间中使用具有边界的表面会导致边界问题并限制模型的适用范围;另一方面,具有较低表达能力的前馈神经网络不能充分利用映射的灵活性。因此,本研究描述了一种新颖的闭曲面最近邻分区神经网络分类器来提高分类性能。但是,对于该神经网络分类器在大规模数据集上的应用,降低了模型训练的效率。为了解决这一问题,我们基于GPU对模型进行加速处理,从而提高效率,减少训练时间。此外,由于水泥水化过程中的复杂性,训练过程中需要大量的数据来增加模型的稳健性。因此,用闭曲面最近邻分区方法来评估水泥微观结构性能,并使用并行方法来加速模型训练过程。本文从以下几个方面对闭曲面最近邻分区神经网络分类器进行研究:(1)利用闭曲面最近邻分区方法来提高神经网络分类器的性能本研究中,我们提出了一种闭曲面最近邻分区神经网络分类器,该方法采用闭曲面作为映射样本点的分区空间,进而无边界限制的优化他们的分布。此外,还引入了递归神经网络以通过增加映射关系的灵活性和复杂性来发挥闭曲面的最大优势。一方面,在闭曲面上无边界限制的优化样本点的分布,充分发挥了相同的类相互靠近,不同的类相互远离的原则;另一方面,递归神经网络由于循环链路的存在,具有较强的表达能力,从而增加了找到最佳神经网络的机会。实验结果表明,该方法取得了较好的性能。(2)对闭曲面最近邻分区神经网络分类器进行加速本研究中,提出了一种基于计算统一设备架构的并行闭曲面最近邻分区方法。在该方法中,块和线程分别用于评估潜在的神经网络和执行并行子任务。实验结果表明,所提出的并行方法在确保性能的前提下提高了训练效率,并且在精度上相比于其他的并行方法具有优越的性能。(3)利用闭曲面最近邻分区方法评估水泥微观结构性能首先通过Micro-CT获取水泥图像,并通过灰度直方图和灰度共生矩阵从图像中提取特征作为神经网络分类器的输入。该研究主要是利用闭曲面最近邻分区方法对水泥微观结构的性能进行评估,并利用并行过程进行加速训练,与其他分类方法相比,闭曲面最近邻分区方法在评估水泥性能方面优于其他的分类方法。