传统k最近邻算法（k-NearestNeighbor，kNN）作为一种非参数化分类技术在数据分析中具有广泛的应用，但该算法具有较多的冗余计算，致使处理数据时需要花费较多的计算时间。目前大量的研究都集中在数据的预处理阶段，通过为数据建立模型降低kNN查询的计算量。提出一种基于对象数量的宽度加权聚类kNN算法（NOWCkNN），该算法中数据集首先以全局宽度进行聚类，每个生成的子集群根据其对象数量递归计算其宽度的权值，然后算法根据其权值的大小和调和系数调节宽度值，最后生成不同宽度大小的集群用于kNN查询。这不仅减少了算法的聚类时间，还能平衡产生集群的大小，减少迭代次数，使三角不等式修剪率达到最大。