在提高KNN（K-最近邻）模型的准确度方面，A、B选项是正确的方法。让我来详细分析一下：

### 正确答案
- **A: 归一化**
- **B: 标准化**

### 分析

1. **归一化**：
- **目的**：将数据缩放到一个特定范围（如0到1）。
- **作用**：KNN依赖于距离度量（如欧几里得距离），特征尺度的差异会对距离计算产生较大影响。归一化可以确保每个特征在相同的尺度下衡量，防止某些特征对距离计算的影响过大。

2. **标准化**：
- **目的**：将数据调整为均值为0，标准差为1的分布。
- **作用**：类似于归一化，标准化可以消除特征之间的尺度差异，使得模型能够更有效地利用各个特征的信息。

3. **C: 删掉任意一些特征**：
- **问题**：随意删除特征可能导致信息丢失，模型性能下降。
- **应用**：特征选择应基于相关性分析或算法（如PCA、L1正则化）来删除不重要或冗余的特征，而非随意删除。

4. **D: 无法进行准确度的提高**：
- **错误**：在KNN中，通过调整参数和数据预处理，可以显著提高准确度。除了上述的归一化与标准化，选择合适的K值和使用降维技术也是有效的方法。

### 其他提高准确度的方法

- **选择合适的K值**：
- 通过交叉验证选择最佳的K值，通常小的K值可能导致过拟合，而大的K值则可能欠拟合。

- **使用加权KNN**：
- 为临近的样本附加权重，更加重视距离较近的点，提高分类效果。

- **降维**：
- 使用PCA等降维技术减少噪音，提高模型效率。

通过数据预处理和参数优化，可以有效提高KNN模型的准确度。