压缩近邻法是一种简单的非参数原型选择算法,其原型选取易受样本读取序列、异常样本等干扰。为克服上述问题,提出了一个基于局部均值与类全局信息的近邻原型选择方法。该方法既在原型选取过程中,充分利用了待学习样本在原型集中k 个同异类近邻局部均值和类全局信息的知识,又设定原型集更新策略实现对原型集的动态更新。该方法不仅能较好克服读取序列、异常样本对原型选取的影响,降低了原型集规模,而且在保持高分类精度的同时,实现了对数据集的高压缩效应。图像识别及UCI (University of California Irvine)基准数据集实验结果表明,所提出算法集具有较比较算法更有效的分类性能。