K 近邻估计是无论欧氏距离多少，只要是 x 点的最近的 k 个点之一就可以参与加权。一种具体的 K 近邻估计（ K -nearest neighbor estimation）为
令 d 1 （ x ）≤ d 2 （ x ）≤…≤ d n （ x ）表示按升幂排列的 x 到所有 n 个样本点的欧氏距离。显然， k 的取值决定了估计密度曲线的光滑程度（见图6-5）。 k 越大则越光滑，还可以与核估计结合起来定义广义 K 近邻估计。
图6-5 用不同 k 值对“老忠实”温泉喷发间隔时间所作的 K 近邻密度估计
K 近邻密度估计方法的主要思想是事先不规定核函数，而是固定对被估计的点贡献的样本点数 n ，以被估计点为中心，让领域向周围扩张反复迭代，直到扩大的领域中含有 n 个点为止，这一方法是根据核密度估计方法的固定带宽的缺陷提出来的。它的缺点是必须事先根据样本点总数估计规定一个贡献点数 n ，并且经常会出现不连续的梯度点，当带宽取得较大时，估计精确度不如核密度估计，这样使得它成为一种不被看好的密度估计。
许多学者一般不使用 K 近邻估计产生密度，而是用 K 邻近估计方法来对数据进行分类。
