由于特征权重分配以及案例库维护对案例推理(CBR)分类器的性能有重要影响,提出了用蚁狮(ALO)算法来分配权重且用高斯混合模型的期望最大化算法(GMMEM)进行案例库维护的案例推理算法模型——AGECBR(Ant　Lion　and　Expectation　Maximization　of　Gaussian　Mixture　Model　Case-Based　Reasoning).首先采用蚁狮算法对特征权重进行分配,在这个过程中将案例推理分类准确率作为蚁狮算法对特征权重进行迭代寻优的适应度函数,以此实现特征权重的优化分配;然后,使用高斯混合模型的期望最大化算法对案例库中的各案例进行聚类分析,并删除其中的噪声案例和冗余案例,从而实现案例库的维护.在UCI标准数据集上进行了实验,所提模型AGECBR比反向传播(BP)、k-近邻(kNN)等分类算法平均分类准确率提升了3.83～5.44个百分点.实验结果表明,AGECBR能够使案例推理分类准确率得到有效改进.