本发明涉及一种结合原型选择和局域特征赋权的改进K‑近邻方法，S100获取原始数据作为训练集，在训练集中进行原型选择，即选择具有代表性的实例作为原型；S200在完成原型选择后，在每个原型的局部区域内进行特征的赋权，使得每个原型均获得一个对应的特征权重向量；S300训练集经过原型选择和局部特征赋权后，形成一个原型集合；S400当对未知数据进行类别预测时，根据未知数据与各个原型距离分为三种情形进行预测。本方法在每个子集中为原型实例进行特征赋权，提高K‑近邻规则中加权距离对于类别的判别作用；另外由于原型实例数量比初始的训练样本显著减少，有效提高时间效率；同时分别建立三种情形的规则，避免了K值寻优问题。