数据挖掘中的聚类算法是应用某种方法,对数据集中的数据对象进行分组,将有相似性质的对象区分并加以分类。聚类算法在数据挖掘中占有重要的地位,可被应用于多种领域,例如商业,农业,网络,医学等。因此,现在有越来越多的聚类算法被研究并且聚类分析逐渐成为了一个热点研究领域。本文将改进后的聚类算法应用在高原常见病慢性萎缩性胃炎的藏医诊疗数据上,基于聚类结果,对该疾病进行证型的划分。首先采用三种常用于医学证型划分的聚类算法对慢性萎缩性胃炎数据进行聚类,通过实验对比,发现k-means聚类算法效果最好。之后提出了一种改进的聚类算法,首先利用向量空间法中的余弦相似度算法对k-means聚类算法进行改进,通过类内的数据对象与其所属簇的簇中心的余弦值和,发现改进的k-means算法更有效,再基于比例选择方法对初始聚类中心的选择进行改进,结合上一步基于余弦相似度改进的聚类算法,得到了更为准确的聚类结果。仿真实验结果表明,基于比例选择法和余弦相似度算法的改进k-means聚类算法的准确率更高,更为有效,具有更好的聚类效果。最后,本文利用原始k-means聚类算法及其改进的算法分别对高原常见病慢性萎缩性胃炎的数据集进行聚类分析。实验结果表明原始k-means算法聚类后得到的聚类中心和初始聚类中心有较大的差异,并且通过簇内数据对象距离簇中心的余弦值和与迭代次数可以得到该算法的聚类效果并不理想的结论。经过实验对比分析,发现基于余弦相似度和比例选择的改进算法聚类效果更好,类内有很高的相似性,由此得到最终的证型并针对各证型分析特征。