随着信息技术与计算机科学的高速发展,数据的收集、传输与存储变得更加便捷,数据平台的建设在这种技术条件下得以迅速发展。随之产生的数据新形式层出不穷,数据维度也由之前的几维发展到成千上万维,数据维度的增加给数据分析与处理带来了巨大的挑战。聚类作为数据分析中的一种重要技术,旨在将数据集根据本身特性划分类别,对每一类的个体进行精准化处理;该技术在健康管理中有着重要的应用,借助该技术对健康相关的数据进行聚类,对每个类别的个体进行更加个性化与精准化的健康管理。然而,与健康相关的因素众多,传统的聚类算法如K-Means等在处理这类高维数据时效率低下甚至完全失效。本文研究高维数据的聚类算法及应用,1)提出了基于SCAD函数正则化的K-Means聚类模型与算法(Reg.K-Means算法),算法可以有效的剔除冗余维度信息,保留真正有价值信息,且使聚类结构更准确更稳定;2)利用数据对聚类算法的计算效率和效果进行了验证,并在此基础上利用真实的健康管理数据进行了实证分析。具体的,我们选取了中老年人健康普查数据作为原始数据源,应用算法进行疾病预测分类。我们分别使用KMeans算法、Sparse K-Means算法和Reg.K-Means算法进行聚类结果的对比和分析,充分显示了算法的效率,并说明如何利用聚类结果进行精准化健康管理。