伴随着计算机和网络技术的迅猛发展和普及,加之数据库和数据库管理技术的巨大发展和广泛应用,使得数据呈爆炸性增长。如何从这些庞大的数据中发掘出有价值的信息便成为了一个非常重要的问题,数据挖掘技术在这样的背景之下应运而生。数据挖掘就是从庞大的数据中发掘出有用的信息或知识,使决策更加科学。作为一种无监督的方法,聚类分析能够在不具备先验知识的情况下,把一个数据集划分成若干个子集,每个子集是一个簇,使得簇中的对象彼此相似,但跟其他簇中的对象不相似。近年来,聚类分析技术不断的发展和完善,已经在许多领域得到广泛的应用。当前聚类的算法有很多,其中K-means算法因为操作简单、高效、伸缩性较好而得到广泛的应用。但是K-means算法也有很多缺点,如聚类结果对初始聚类中心非常敏感,对初值选择的依赖、存在死单元等问题。针对以上缺点,本文提出一种改进的K-means算法,既能获得较好的聚类效果,还能保证改进后算法的线性时间复杂度。本文对初始聚类中心的选择进行优化,簇的中心数量(k)将像传统K-means算法一样由用户设定,将整个空间划分成若干子空间,统计每一个子空间内数据点的数目,选取数据点最多的前几个子空间作为初始聚类中心,如果存在不同子空间其数据点数量相同,则把不同的子空间强制合并。本文还定义了不同簇的中心之间的阈值距离,用以对数据点到簇的中心的距离进行比较,这样可以减少计算数据点与簇的中心之问距离的工作量。本文选用UCI机器学习数据厍的数据进行对比实验,从而进一步说明了改进后的算法的准确性和高效性。本文针对K-means算法的图像分割应用进行了深入的研究。对一种图像区域分割方法进行详细介绍。该方法首先对图像的彩色空间进行选择,接着抽取图像的像素点的颜色、纹理及位置等特征,形成特征空间向量；然后进行聚类以及图像的区域分割；最后抽取图像区域的特征。本文详细介绍了图像分割的方法,根据图像的分割算法编写代码并实验运行,最后给出实验结果。