K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
如：绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类
（以上摘自百度百科）
在应用到图像分类中时有很大的弊端：
- 分类器必须记住全部的训练数据(因为要遍历找近邻)，而在任何实际的图像训练集上，数据量很可能非常大，那么一次性载入内存，不管是速度还是对硬件的要求，都是一个极大的挑战。
- 每一次分类的时候要遍历所有的训练图片，这是一个相当耗时的过程。
总体来说，当有N个训练集和N个测试集，训练花的时间为O（1），因为根本不需要训练，只需要全部加进内存就好了，但是测试需要的时候为O（N），因为我们需要遍历所有训练图片，这和我们预期的是相反的，我们是希望训练花的时间久没关系，只要跑完生成模型，测试的时候能够快的出结果。对于这种现象，于是出现了线性分类器。