朴素贝叶斯分类器基于条件独立性假设,结构简单,分类精度高,且具有坚实的数学理论基础,是目前学习效率较好的分类器之一。因此,近年来关于朴素贝叶斯分类器的研究和应用成为一个热点。但在许多实际情况中,条件独立性假设并不成立,影响了朴素贝叶斯分类器的性能。本文从属性选择的角度对不同的数据类型分别提出了两种改进朴素贝叶斯分类器的方法:基于因子分析的朴素贝叶斯分类模型和基于互信息的朴素贝叶斯分类模型。基于因子分析的朴素贝叶斯分类模型FA-NBC,利用因子分析提取独立特征的性质,对原属性集做因子分析构建满足条件独立性假设的新属性集,在新属性集上构建朴素贝叶斯分类器,对未知类别样本进行分类。UCI数据集上的实验结果说明:对通过可行性检验的数据集,FA-NBC模型的分类效果优于朴素贝叶斯分类模型。基于互信息和笛卡尔积的朴素贝叶斯分类模型MI-NBC,把相关属性放在一个集合内,将属性集划分为若干子集,各子集间相互独立,以同一子集内的相关属性的笛卡尔积作为一个新属性,在新属性集上构建朴素贝叶斯分类器。通过互信息度量属性相关度,同时为避免过拟合现象,设定一个阈值m,以每个强相关属性集中的前m个属性的笛卡尔积作为一个新属性。属性构建比属性删除技术保留了更多的样本信息,在模型复杂度和样本信息的完整性间达到了一个较好的平衡。UCI数据集上MI-NBC模型与朴素贝叶斯分类模型NB、属性删减改进朴素贝叶斯分类模型NB-del的对比实验表明:MI-NBC模型的分类正确率较NB模型、NB-del模型有显著提高。最后,探讨了改进朴素贝叶斯分类模型在实际问题中的应用价值。