ALPHA-STABLE分布在现实生活中大量存在,目前它是国际上研究比较热门的课题之一,由于ALPHA-STABLE分布很好的描述了现实世界中数据的分布,它逐渐被应用到各种领域,性质也越来越被人们所了解。本文主要是针对服从ALPHA-STABLE分布的数据进行聚类分析。近年来,聚类算法的研究取得了长足的发展,其中K-MEANS算法以其算法简单、性能高效而得到了广泛的应用。本文通过研究,发现K-MEANS算法适合对服从等方差的高斯分布的数据进行聚类,因为,从统计意义上说,它主要是利用了数据的二阶统计量。但是对于服从ALPHA-STABLE分布的数据,它的ALPHA阶(ALPHA<2)以及更高阶的统计量是无穷大,本文认为K-MEANS算法不适合对服从ALPHA-STABLE分布的数据直接做聚类分析。基于以上分析,本文提出了一种基于ALPHA-STABLE分布的K-MEANS聚类算法。该算法是基于以下的思想:在K-MEANS聚类算法思想的基础上,利用分数低阶矩的思想给出了相似性测度,即p -范数;利用p -范数测度的数据服从高斯分布,从而可以利用K-MEANS算法的思想对数据来进行间接聚类,这样就解决了K-MEANS聚类算法不适合对服从ALPHA-STABLE分布的数据聚类的问题。将它应用于模拟数据和真实数据的实验结果表明,本文提出的聚类算法有效的提高了聚类性能。