diff --git a/docs/2.k-近邻算法.md b/docs/2.k-近邻算法.md
index adc73a25..51510543 100644
--- a/docs/2.k-近邻算法.md
+++ b/docs/2.k-近邻算法.md
@@ -120,7 +120,7 @@ ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2])
 plt.show()
 ```
 
-[完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/10.kmeans/kMeans.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/10.kmeans/kMeans.py>
+[完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py>
 
 > 优化点
 
@@ -128,6 +128,43 @@ plt.show()
 
 ### 项目实战2: 手写数字识别系统
 
+> 概述
+
+构造一个能识别数字 0 到 9 的基于 KNN 分类器的手写识别系统。
+
+需要识别的数字是存储在文本文件中的具有相同的色彩和大小：宽高是 32 像素 * 32 像素的黑白图像。
+
+> 使用 KNN 的手写识别系统
+
+```
+收集数据：提供文本文件。
+准备数据：编写函数 img2vector(), 将图像格式转换为分类器使用的向量格式
+分析数据：在 Python 命令提示符中检查数据，确保它符合要求。
+训练算法：此步骤不适用于 KNN
+测试算法：编写函数使用提供的部分数据集作为测试样本，测试样本与非测试样本的
+         区别在于测试样本是已经完成分类的数据，如果预测分类与实际类别不同，
+         则标记为一个错误。
+使用算法：本例没有完成此步骤，若你感兴趣可以构建完整的应用程序，从图像中提取
+         数字，并完成数字识别，美国的邮件分拣系统就是一个实际运行的类似系统。
+```
+
+![手写数字数据集的例子](/images/2.KNN/knn_2_handWriting.png)
+
+* 将图像转换为向量
+
+```Python
+def img2vector(filename):
+    returnVect = zeros((1,1024))
+    fr = open(filename)
+    for i in range(32):
+        lineStr = fr.readLine()
+        for j in range(32):
+            returnVect[0,32*i+j] = int(lineStr[j])
+    return returnVect
+```
+
+[完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py>
+
 * * *
 
 * **作者：[羊三](http://www.apache.wiki/display/~xuxin) [小瑶](http://www.apache.wiki/display/~chenyao)**
diff --git a/images/2.KNN/knn_2_handWriting.png b/images/2.KNN/knn_2_handWriting.png
new file mode 100644
index 00000000..abb1ed06
Binary files /dev/null and b/images/2.KNN/knn_2_handWriting.png differ