聚类分析是数据挖掘中的一种重要技术，它依据对象的相似性将对象集合划分成组，该技术已广泛应用在统计分析、模式识别、图像处理等领域。K-均值算法是聚类分析中广泛使用的一种算法，它具有简单高效的优点，然而存在这样的缺陷：对初始聚类中心的选择异常依赖和敏感，且在指派对象到最近簇阶段要进行大量的循环迭代。为此，本文对该算法做了深入的分析和研究，设计了两种K-均值改进算法，并在最后基于校企合作项目，在服装生产的两个方面做了算法的应用研究。本文主要工作内容如下：（1）针对K-均值算法的缺陷，在初始聚类中心选取方面，设计了一种基于排序划分的聚类初始化方法；在循环迭代方面，设计了一种指派对象到最近簇的优化方法。实验表明，在处理低维数据上此改进算法简单有效，能在很大程度上提高聚类精度和效率。（2）针对K-均值算法在处理中高维数据上的性能下降，设计了基于Kd-树的K-均值改进算法。在聚类中心初始化方面，采用Kd-树划分子样的方法选取；在循环迭代方面，通过对聚类中心构建Kd-树来指派对象到最近簇。实验表明，在处理中高维数据上此改进算法依然具有较高的聚类精度和效率，尤其在聚类精度上明显优于传统K-均值算法。（3）基于校企合作项目，通过引入聚类分析在服装生产的两方面做了尝试性的应用研究。一方面是根据操作熟练程度的不同，采用基于排序划分的改进算法对工人进行聚类，依此配置合理的生产线；另一方面是针对人工测量标准工时的传统方法，采用基于Kd-树的改进算法对大量生产工时数据做聚类分析，据此来制定服装生产标准工时。