El Matching Pursuit de Kernel (KMP) requiere que cada paso del proceso de búsqueda sea una búsqueda global óptima en el diccionario redundante de funciones para seleccionar la mejor estructura de señal coincidente. Es decir, el tiempo de aprendizaje del diccionario de KMP es demasiado largo. Para resolver las desventajas mencionadas anteriormente, un conjunto de datos aproximado se dividió en algunos diccionarios de tamaño pequeño para sustituir la búsqueda local por la búsqueda global utilizando la superioridad de la propiedad del rendimiento de agrupamiento dinámico, que también es superior en el algoritmo de medias intuitivas difusas (IFCM). Luego, propusimos una técnica novedosa para KMP basada en IFCM (IFCM-KMP). Posteriormente, se realizaron tres pruebas, incluida la clasificación, la efectividad y la complejidad temporal, en cuatro conjuntos de datos de muestra prácticos, cuyas conclusiones demuestran plenamente que el algoritmo IFCM-KMP es superior a FCM y KMP.