案例推理是一种发展较为成熟、利用过往知识解决具有高度相似特征问题,并学习解决方案的方法。在检索案例时,对于庞大的案例库,传统KNN检索算法在处理线性问题时,需要对所有案例进行匹配。因此,存在时间成本高、效率低的问题。为此,现在大多研究都是对整个案例库聚类,形成具有不同特征的类簇。谱聚类算法作为一种基于图论的聚类算法,不同于一般的聚类算法,它不仅对样本集的空间分布特征没有要求,同时聚类的结果还是全局最优,特别是样本集的空间分布特征为非凸型。但传统谱聚类算法的尺度参数是全局的,无法根据样本的空间分布特征实现个性化。此后,虽有许多改进的谱聚类算法,但大多数改进算法仍存在参数敏感、近邻值选取困难、易受离群点影响的缺陷等。针对上述研究存在的问题,本文主要做了以下工作:（1）针对谱聚类算法仍存在凭借经验选择近邻值,易受离群点影响问题,提出基于样本间夹角与模差改进的自适应谱聚类算法,该算法以样本间夹角的倒数作为尺度参数,利用样本间的模差作为辅助,充分利用数据在空间分布的特征信息,扩大不同类簇间元素权重的差异,实现高效聚类性能。最后在UCI公共数据集上的实验,证明本文基于样本间夹角与模差改进的自适应谱聚类算法性能好,鲁棒性高。（2）针对传统KNN算法在处理海量案例库时,计算量巨大且传统聚类算法对非凸型样本无法有效聚类的缺点。提出以基于样本间夹角与模差改进的自适应谱聚类算法实现聚类,并通过遗传粒子群混合算法求解目标案例在所属类簇中最相似的K个案例。最后仿真实验结果表明:针对线性问题,本文提出改进的KNN案例推理检索算法预测结果精度高,性能良好。（3）针对部分目标案例可能存在两个检索案例库的问题,提出最优原则检索策略。仿真实验表明:本文改进的KNN案例推理检索算法配合上最优原则检索策略后检索精度进一步提升,亦验证了该检索策略的有效性。