k近鄰（k nearest neighbor，kNN）分類作為數(shù)據(jù)挖掘中最典型的算法之一，以較高的泛化性能以及充足的理論基礎(chǔ)被廣泛應(yīng)用。然而kNN在測(cè)試時(shí)需要計(jì)算待識(shí)別實(shí)例與所有訓(xùn)練實(shí)例之間的距離，以至于在面對(duì)大規(guī)模數(shù)據(jù)時(shí)需要大量的時(shí)間。為此，提出一種基于分層抽樣的kNN加速算法（KNN based on stratified sampling，SS_kNN）。首先將訓(xùn)練實(shí)例所在的空間劃分為若干個(gè)實(shí)例個(gè)數(shù)相等的區(qū)域，然后從每個(gè)區(qū)域內(nèi)抽取實(shí)例，最后判定待識(shí)別實(shí)例落入劃分區(qū)域中的哪一個(gè)，并從此區(qū)域以及相鄰區(qū)域抽取的實(shí)例中尋找其K個(gè)近鄰。與原始kNN算法以及基于隨機(jī)抽樣的kNN算法相比，SSkNN算法可以獲得與其相近分類精度，但將其運(yùn)行速度分別提高大約399倍和16倍。