数据挖掘是一种特殊的数据处理技术。它是指通过分析海量数据或信息，从中提取出潜在的、有用的、不为人所知的知识，来辅助人们做出正确决策。目前，数据挖掘技术是信息领域和数据库技术的前沿研究课题，也是被学术界公认为最具发展前景的关键技术之一。聚类分析技术，作为数据挖掘的主要预处理方法之一,近些年来也随着数据挖掘技术的研究和发展，广泛受到学者们的关注。它是对给定的数据集进行合理分类的一种方法。目前，国内外学者纷纷提出了多种聚类分析算法，在一定程度上推进了数据挖掘的发展。在深入研究和理解聚类方法的基础上，本文针对其中最常用的K-means聚类分析算法进行了深入研究，并针对其算法存在的不足，进行了优化和改进，并提出了一种基于数据密度垂直中点的初始聚类中心选取优化算法。主要研究内容包括：(1)针对传统K-means聚类算法思想简单、但聚类效果对初始聚类中心的选取较为敏感；又由于初始聚类中心的随机性，使得聚类效果很不稳定的问题；以及随着数据样本空间的增大，时间耗费越来越多的问题。本文提出了基于密度垂直中点作为初始聚类中心进行初始划分，通过计算数据样本点密度值，反映数据样本大致分布情况，并且，利用当前最高密度点与其最近点的垂直中点作为初始聚类中心来进行聚类划分，具有较好的代表性。(2)针对传统K-means聚类方法需预先人工设定好聚类数目，有较高的经验性要求，聚类效果也受聚类个数的影响而效果相异较大。论文结合均衡化评价函数，围绕聚类方法“类间低耦合，类内高度紧密”的实质对此加以改进，先对聚类数进行自动设定和迭代选取，然后使用改进的聚类数评价函数进行计算，不断迭代进行，获得使函数值最小的k值，就是我们需要的最优聚类数。(3)本文将优化后的算法在UCI数据集上进行了多组实验，并与传统的聚类算法进行了对比，在实验对比中发现：提出的改进算法相比传统的K-means聚类算法具有明显的优势，并且，在同一数据集上，相比于文献中的某些聚类改进算法具有更高的准确性和更好的稳定性。实验表明：本文优化后的聚类算法克服了传统K-means聚类算法存在的缺陷，在测试数据集上取得了较好的聚类效果，因此，具有一定的研究和应用价值。