分类是数据挖掘领域中进行预测性建模的一类非常有效的方法。它通过构建一个目标函数(又称分类器或者分类模型),将数据集中的类标号未知的样例映射到某个已知类别。在实际生活中也有着广泛的应用,包括欺诈检测,目标营销,风险评估,医疗诊断。现有阶段分类的方法较多,其中,朴素贝叶斯分类器凭借其特有的不确定性知识表述形式、扎实的统计理论基础、综合先验知识的增量学习方式以及简单高效等特性成为现有分类算法的一个研究热点。根据分类算法的对比研究可知,基于类条件独立性假设的朴素贝叶斯分类模型能与决策树和神经网络等分类模型相提并论,甚至可以在某些领域表现出更好的分类性能。但是在多数情况下,类条件独立性假设是违背现实的,假设的违背会显著降低分类精度。基于此事实,可提出这样的一个问题:放松朴素贝叶斯分类器严格的类条件独立性假设可否能进一步改善其分类性能。本文将朴素贝叶斯分类模型作为基本对象,研究分析了四种常见的改进模型。同时本文针对类条件独立性假设提出了结合奇异值分解与主成分分析的改进方法,将奇异值分解、主成分分析和朴素贝叶斯模型结合,达到改进分类效果的目的。又在上述方法的基础上,考虑到各个变量对分类效果不同程度的影响,提出了结合奇异值分解与主成分分析的加权改进方法。最后仿真实验结果证实了本文改进方法的有效性。