近年来,聚类在机器学习中的作用在许多学科中受到越来越多的关注。聚类是一种在没有先验信息的情况下,将不同类别的样本分为不同类别的方法,其结果是将不同类的信息根据要求划分到不同的类簇中。三支聚类是一种将聚类结果分为三个区域的新型聚类算法。这种划分清楚地区分出了类簇的核心区域、边缘区域和琐碎区域,在类簇边界不清晰的情况下非常有效。针对目前现有研究中存在的问题,本文提出了基于样本稳定性和相似性的三支K-means算法（TKSS）,针对三支K-means算法对于初始聚类中心选取敏感的问题,通过结合样本稳定性和欧式距离进行初始聚类中心的优化选取,通过使用样本相似性进行聚类数目的自动选取。本文主要研究内容如下:（1）提出了结合样本稳定性进行初始聚类中心优化选取的三支K-means算法。样本稳定性将数据集进行了区分,划分成了稳定性高的子集（数据集核）以及稳定性低的子集（数据集环）。在数据集核中进行初始聚类中心的选取,可以避免选取到离群点,提高初始聚类中心的质量;计算数据集核中样本各个维度属性值的平均值,作为第一个初始聚类中心,剩余的初始聚类中心在距离已选取的聚类中心0.3d—0.7d的环形范围内进行选取,使初始聚类中心选取时尽量分布在不同类簇,提高聚类中心的质量进而改善聚类结果的质量。（2）提出了一种基于样本稳定性和相似性的三支K-means算法。K-means算法需要提前设定聚类数目,但在实际应用中,有时无法获取准确的聚类数目,针对该问题,本文结合样本相似性和三支决策思想,提出一种新的聚类有效性指标(2(1,迭代聚类数目,通过计算比较该指标的大小,将取值最大时的聚类数目作为最佳聚类数目,对应的聚类结果作为最终的聚类结果,实现了聚类数目的自动选取。本文通过结合样本稳定性和相似性对三支K-means算法改进,避免了随机选取初始聚类中心,并进行了自动选取聚类数目。本文算法通过对三支K-means进行改进,提高了聚类结果的性能,将有助于聚类算法的发展。