数据挖掘中的聚类分析是一项重要的数据挖掘技术。随着我国经济的迅速发展带动了互联网、金融、电商等多个行业的快速发展,聚类分析在各个行业得到了非常广泛的研究与应用。根据规则把数据集划分成子集的过程就是聚类。由于k-means方法的原理理解简单,明白易懂,计算速度快等优点,它已经被国内外很多学者广泛地进行了研究。但是k-means方法也有很多不足的地方:需要先确定k的个数;如果选入噪声和离群点,会对它们非常的敏感;只能发现凸状球状的簇或者区别非常大的簇。针对k-means聚类的缺点进行改进,本文提出了可变网格优化的k-means聚类新方法。该方法通过对数据集进行可变网格划分,解决了初始中心点选取比较敏感的问题,同时能有效地发现非凸形状的簇,有效提高了聚类质量。并且对最大网格密度不唯一的情况进行了解决。要人为指定聚类簇的个数对k-means算法来说是很大的不足,在基于可变网格优化的k-means聚类新方法基础之上,结合有效性指标,得出最佳聚类数k;对于在聚类中无法有效地处理动态增量数据这一不足,提出了基于可变网格的动态增量k-means聚类,该方法有较好的伸缩性和较高的效率。针对传统协同过滤在为目标用户推荐项目时需要考虑所有用户历史反馈信息对项目相似度的影响,导致推荐质量低的问题,本文提出的算法把可变网格聚类的特点和协同过滤特点相结合对商品进行推荐,提出了一种基于可变网格聚类的协同过滤推荐算法,使得推荐系统的质量有了进一步的提高。