大量研究表明,miRNA以调控的方式参与不同的生命活动,其调控行为的异常能够对生命体产生重大影响。基于现存的两种现实状况,第一,miRNA的调控程度的差异可以对人类许多疾病产生关键影响的事实有着各种研究已证实的事实为依据,因此,利用现存已知的少量的miRNA信息来研究它们之间的共性和个性的需求是十分迫切的;第二,现存的已知的miRNA-疾病关联关系数量非常少,基于相似的疾病通常与有着相似功能的miRNA相关这一事实,通过疾病之间的相似性进行miRNA相互关系的研究成为了现代研究热点。因此,本论文主要研究了在已知的现有miRNA-疾病关联关系的基础上,结合疾病之间的相似度,构建了一个综合了疾病信息的miRNA矩阵,然后将本论文提出的KK-Means算法运用在miRNA矩阵,对miRNA进行聚类分析。本论文主要工作如下:基于K近邻的思想,利用已知的miRNA-疾病关联关系,构造了一个miRNA矩阵。由于现实中已知的miRNA-疾病关联关系的数量是相当少的,导致所得miRNA矩阵是一个稀疏的矩阵,没有携带足够多的信息。因此,结合miRNA-疾病网络所涉及的疾病之间的相似性网络,计算关联关系未知的miRNA-疾病的潜在关联度,对miRNA矩阵进行修复,使其携带更多的信息。通过对经典的K-Means算法的分析,指出该算法的不足之处,并对这些不足之处产生的原因进行了说明。然后在对现有聚类方法的基本原理进行充分的研究之后,简要说明了有效避免其不足之处的方法,并对这些方法的合理性做了说明。最后,在做了充分的分析以后,提出了新的算法,即KK-Means算法。在经过实验验证改进的K-Means算法有着更好的聚类结果以后,将其运用在miRNA矩阵上,对miRNA进行聚类。最后,为了可以更加方便的利用本论文提出的改进算法进行聚类分析,本论文对所改进的算法进行系统化设计和实现,并在系统中加入了对比算法的设计与实现。将不同聚类方法产生的结果进行可视化显示,从多个不同视角理解最终的聚类结果,加深对数据之间未知关系的理解。