Citation-kNN 算法对传统的kNN 算法进行了改进，使其可以应用于多示例学习问题，但其0-1 决策方式具有一定的局限性，没有充分考虑样本的分布情况。为解决该问题，该文提出局部加权的Citation-kNN 算法，综合考虑样本的分布情况，提出基于样本距离加权、基于样本离散度加权的方法，并对各种组合情况进行了实验。在标准数据集MUSK 和乳腺超声图像数据库上的实验结果表明，该文提出的方法与Citation-kNN 相比，性能有明显提高，并具有良好的适应性。