数据挖掘是在海量的数据中挖掘出潜在的、有价值的信息,这些信息给人们提供帮助。聚类分析是数据挖掘中一个重要的应用。它以“物以类聚,人以群分”的思想,根据对象之间的相似度将相似度大的对象划分到同一类,不同类之间的对象相似度低。由于简单、快速的优点,K均值聚类算法成为聚类分析中最频繁使用的算法之一。 　　本文针对K均值聚类算法对初始点依赖性及时间复杂度高的特点两方面进行深入研究,为了改善K均值聚类算法对初始点的依赖性,提出了基于迭代密度的K均值算法(简称IDKM),通过不断修改密度阀值,获得较多的聚类中心,并将聚类中心合并,直到达到规定数目的聚类中心,将IDKM算法应用于IRIS数据集进行聚类分析,证明改进算法改善了K均值聚类算法对初始点的依赖性；针对K均值聚类算法时间复杂度高的特点,本文提出基于三角不等式与移除边界的K均值聚类算法(简称TRBKM),在利用三角不等式减少冗余计算的基础上,移除一部分点,减少距离计算量,分别将K均值聚类算法、基于三角不等式的K均值聚类算法、TRBKM聚类算法应用于IRIS、Cloud、Abalone数据集,通过分析实验数据证明TRBKM聚类算法的优越性；最后将IDKM和TRBKM算法应用于学生成绩数据集进行分析,最终聚类结果分析指导学生的学习,实现了 K均值聚类算法在数据挖掘中的应用。