近年来,随着企业原始数据的积累,越来越多的企业运用大数据挖掘技术为企业带来了更多的商机与收益。从海量数据中进行数据挖掘,用户画像,用户意图识别,地理位置画像等常见的应用已经成为各种互联网平台提升收益主流技术手段。根据移动互联网技术的发展而产生的个性化推荐策略,个性化市场运营策略变得愈发重要。K-means聚类算法是有效解决‘信息过载’和用户聚类的重要方式,广泛应用于电子商务,线上教育,线上新闻,线上娱乐等领域,在提升网站的搜索量,浏览量,客户满意度,客户留存和商品转化率等方面有重要作用。但是K-means聚类算法也有非常多的不足之处,基本的K-means聚类算法存在依赖初始聚类中心,收敛速度慢,聚类误差较大等缺陷,本文针对K-means聚类算法的改进优化进行了深入的研究,提出了智能算法优化的K-means聚类技术及其应用。首先,针对基本蝴蝶优化算法中存在的寻优精度不高,收敛速度慢的缺陷,提出了一种全局优化的蝴蝶优化算法,在局部探索过程中将正弦余弦算法作为一种局部优化算子融入BOA中;另外结合人工蜂群采蜜行为与单纯形策略,使得算法能够有效克服易陷入局部最优解的缺陷、增强算法的全局搜索能力、避免早熟,提升了算法的寻优精度和收敛速度。其次,针对基本的K-means聚类算法存在的依赖初始聚类中心的,收敛速度慢等不足,本文结合全局优化的蝴蝶算法与交叉算子策略对K-means聚类算法进行优化,提升了K-means的聚类效果。然后,本文将闪电分支过程算法与K-means聚类算法相结合,充分利用闪电分支过程算法各个阶段的更新策略进弥补K-means聚类算法存在的收敛慢的问题。在UCI数据库中选取了6个常用的数据集进行测试实验,并与现有的改进K-means聚类算法进行对比分析,验证了本文算法的有效性和可行性。最后,在CDNow用户购买数据集和美团外卖商家信息数据集进行实验,评估本文中提出的智能算法优化的K-means聚类算法的效果,并对结果进行分析,结合实际业务场景给出相应的决策意见,旨在为相关企业的管理决策者提供相应的技术参考。