近些年来,随着人工智能技术的飞速发展,海量数据呈指数级增长,数据挖掘技术作为海量数据分析的重要工具之一,有着广泛的应用前景。K-均值聚类算法是数据挖掘中最基本的一种聚类算法,具有思想简单、收敛速度快的优点。在K-均值聚类算法中,存在两个问题,一是算法存在对不规则簇不敏感、不规则簇划分不稳定的问题;二是算法存在对初始聚类中心敏感、聚类结果容易陷入局部最优的问题。基于上述问题,本文在原算法的基础上进行两种改进算法,具体如下:(1)为了解决K-均值聚类算法存在的对不规则簇不敏感、不规则簇划分不稳定的问题,提出了 K-扩展中心点簇聚类算法。首先在传统的最大最小算法基础上对最大距离进行比例缩小选取中心点,降低了选取到离群点的概率。然后,在对传统欧氏距离判定方式的基础上对度量方式进行改进,将数据样本所属类别的划分依据改进为基于距离所占的比例大小而定,不再采用原有的硬性距离。最后,按照判别公式对中心点簇进行扩展。经实验证明,改进后的K-扩展中心点簇聚类算法既能对规则簇进行理想划分,又可以很好的对不规则簇进行划分。(2)为了解决K-均值聚类算法存在的对初始聚类中心敏感性较强,聚类结果容易陷入局部最优的问题,提出了基于蝙蝠搜索优化的K-均值聚类算法。首先,引入基于共享原则的小生境技术,增大进化过程中的蝙蝠多样性,把莱维飞行随机游走引入到蝙蝠算法中,加快局部最优解的搜索,优化收敛过程中的寻优路径,从而提高算法的寻优能力,加快收敛速度。多组仿真实验表明基于共享原则小生境技术的蝙蝠搜索算法简单高效,在保持标准BA算法优点的基础上提高了算法的收敛速度和寻优精度。然后将基于共享原则小生境技术的蝙蝠搜索算法与K-均值算法相融合来优化初始聚类中心。经试验证明,算法具有较好的稳定性,具有较高的解决实际应用问题的价值。