随着计算机技术的发展,特别是数据库技术的广泛应用,大量的数据被保存下来。如何充分发挥这些数据的作用,数据挖掘技术得到人们的重视。聚类分析是数据挖掘的重要研究内容。相对于分类这种有导师的学习方法,聚类也称为无导师的学习方法。目前聚类分析方法大体分为基于划分的方法、基于密度的方法、基于层次的方法以及基于网格的方法等。本文首先综述了数据挖掘和聚类分析,分析了几种常用的聚类算法的优点和不足。在此基础上,主要研究了基于划分的聚类算法中的k-means算法。k-means算法具有实现简单、算法效率较高、扩展性较好的等优点,但是也存在一些不足：对初始聚类中心敏感,选择不同的初始聚类中心可能得到不同的聚类结果；对噪音数据敏感,少量的孤立点就能使聚类结果产生很大变化。针对k-means算法对初始聚类中心和噪音数据敏感的不足,本文将数据密度的思想以及改进的最大最小距离算法用于k-means中,给出了两个改进算法,一个用于消除初始聚类中心对聚类结果的影响,另一个用于降低噪音数据对聚类结果的影响。最后给出了一种基于聚类-分类模式解决聚类问题的方法：首先通过聚类技术得到各类数据的部分具有代表性的数据,并用这些有代表性的数据训练出分类器,然后使用得到的分类器对其余数据进行分类。在UCI数据集上对上述三个算法进行了验证,实验表明了改进算法和聚类-分类模式的有效性和正确性。