合金钢是以碳钢为基体,加入锰、铬、镍等不同合金元素而形成性能展现各异的钢材。随着科技发展,合金钢产品的种类也愈加繁多,如何迅速、准确地识别合金钢类型在工业生产和科技研究中都具有重要的实用价值,现场X射线荧光分析方法是能够快速高效的解决这一技术问题的重要手段。为了对X射线荧光分析仪器测量获得的合金钢元素含量数据进行准确的批量分类,论文提出了一种适用于合金钢不平衡数据结构的改进型特征加权K-最近邻分类算法,将该方法与人工神经网络、支持向量机和决策树等几种主流算法的分类结果比较,观察改进型K-最近邻算法的分类准确性是否得到明显优化。论文取得的成果有:（1）研究了52种合金钢成分含量推荐值的数据特征,利用样本含量推荐值选取了反向传播神经网络、支持向量机以及决策树各自算法对不同合金钢类型分类实验的最优分类器性能参数,并实现了三种算法的分类研究。（2）分析了传统K-最近邻算法对合金钢成分含量推荐值数据集的分类结果会出现偏向性的问题,提出了基于信息增益比加权距离的改进措施,以降低算法最终的误判概率。通过分类实验比较不同K值的选取情况,发现改进加权K-最近邻算法在K值取5时效果最好,并相比于传统K-最近邻方法提高了7.47%,从理论上提高了算法分类准确率。（3）使用便携式X射线荧光分析仪对合金钢样品进行现场元素识别,分析了合金钢的X射线能谱,采用全能峰拟合的方法降低了特征元素中Cr、Mn、Fe、Ni和Cu相互之间Kα与Kβ特征峰重叠的影响。由扣除重叠峰之后的合金钢谱线各元素特征峰净计数率建立的数据集减小了样本数据自身带来的统计误差。（4）将通过仪器获取的合金钢净峰面积计数率的数据集进行分类实验,用准确率、召回率和F1值三种评价指标对比了以上五种算法的分类结果。结果表明,在算法对合金钢谱线净峰面积计数率数据集进行分类的问题上,改进型K-最近邻算法的整体分类准确率高于决策树算法3.44%,高于反向传播神经网络算法11.13%;在召回率上高于支持向量机算法1.55%,高于传统K-最近邻算法8.51%;在F1值上高于支持向量机算法2.02%,高于传统K-最近邻算法10.76%。由此验证了改进型K-最近邻算法在合金钢识别的整体分类性能都得到了显著提升。