本文综述了k近邻分类器的多项改进研究，包括：通过简单修改实现强Bayes一致性并优于k-NN；利用深度神经网络学习视觉特征进行非参数识别；对样本及最近邻预测加权平均以提升抗噪和分类性能；证明1-NN在可实现设置下达到次线性遗憾；用稀疏先验PAC-Bayesian方法界定广义误差；自适应选择k值并推导收敛界；提出神经最近邻块用于图像恢复；分析局部插值方案的一致性及对抗样本解释；研究多类分类平滑参数聚合；以及噪声标签下深度网络的正则化方法。