随着高校数字化校园建设的实施,高校的人力资源管理也逐渐走向管理信息化。在多年的计算机管理过程中,积累了大量的人力资源管理原始数据。如何更加充分利用这些资源,从中发掘数据内部隐含的关联和规律,为计划、决策提供辅助支持,就成为了在高校人力资源管理中的一个重要研究课题。聚类分析是数据挖掘中的重要研究方法之一,是一种数据划分或分组处理的重要手段,已经被广泛应用于许多领域中,包括模式识别、图像处理、数据分析和市场研究等领域,并且已经取得了很好的效果。通过聚类分析,可以将性质相近或相同的数据分到一个类(簇),可以将数据集分为几个类,类内部各数据之间差异较小,不同类之间的数据的差异较大,让用户可以更加清晰的分析数据集的特征和性质。本文首先对聚类分析的一个常用方法——k-均值算法进行了分析研究,通过分析发现k-均值算法容易受到噪音和孤立点数据的影响。为了解决这一问题,我们考虑通过修改初始簇中心的方法对算法进行改进。传统的k-均值算法是采用随机对象作为初始簇中心,我们为了降低极值对初始簇中心的影响,采用对象集的均值作为初始簇中心的确定依据。并通过实例进行聚类分析,对比了改进前后的两种k-均值算法的聚类结果及效率,发现改进后的k-均值算法在一定程度上降低了数据集极值的影响,计算效率也响应得到提高。然后以一个真实的高校人力资源管理数据库为研究对象,利用k-均值算法进行聚类分析,主要在岗位设置管理方面,通过探索性的聚类分析,发现数据之间存在的关联和规律,对现状进行客观性的描述,并为进一步的发展提出建议。研究分析的结果对高校人力资源管理,尤其是事业单位岗位设置改革工作具有一定的参考意义。