聚类是数据挖掘中颇为重要的技术,其功能是按照某种准则将数据划分成组。K-means算法是一种被广泛使用的聚类算法,本文主要对该算法做深入的分析和研究。K-means算法具有简单易行、高效性等优点。但是,该算法具有对初值选择的依赖性和敏感性、易受孤立点影响、易陷入局部最优等缺点。为此,本文提出并设计了两类改进算法,主要工作内容如下:1.针对初值选择依赖性的不足,采用初值优化方法完成聚类。首先采用了一种基于密度、距离和邻域的初始化中心点的方法;然后,将其用于改进标准的K-means算法;接着,进一步结合动态聚类和粗糙聚类的思想,设计了一种K-means粗糙聚类算法。实验结果表明,改进算法在较大程度上弥补了K-means算法的不足,提高了聚类结果的稳定性和有效性。2.针对易陷入局部最优的不足,设计混合算法实现聚类。在分析和研究K-means算法与差分进化算法的特点的基础上,提出了一种基于差分进化算法的K-means聚类算法。该方法将二者有机的结合,充分发挥K-means算法的局部搜索能力和差分进化算法的全局寻优能力。实验结果表明,可以更有效的提高聚类质量。