针对有限样本下，KNN算法距离量的选择以及以前距离量学习研究中没有充分考虑样本分布的情况，提出了一种新的基于概率的两层最近邻自适应度量算法（PTLNN）。该算法分为两层，在低层使用欧氏距离来确定一个未标记的样本局部子空间；在高层，用AdaBoost在子空间进行信息提取。以最小化平均绝对误差为原则，定义一个基于概率的自适应距离度量进行最近邻分类。该算法结合KNN与AdaBoost算法的优势，在有限样本下充分考虑样本分布能降低分类错误率，并且在噪声数据下有很好的稳定性，能降低AdaBoost过度拟合现象发生。通过与其他算法对比实验表明，PTLNN算法取得更好的结果。