随着现代科技的高速发展,大数据成为了近几年社会发展的焦点。聚类问题是数据挖掘领域的重要研究课题,聚类分析可以发现数据集的特征,也可以帮助数据挖掘算法进行数据预处理,因此,提高聚类算法的聚类性能成为一项研究热点。层次聚类算法是解决大数据集聚类问题的常用方法,Chameleon算法是一种较为常见的多阶段的凝聚层次聚类算法,算法结构简单,能够处理大型数据集,依据簇间的相似性动态地构建模型。论文在传统Chameleon算法的基础上进行改进,并进行实证分析,验证改进算法的实用性。论文首先研究了Chameleon聚类算法的基本原理和算法结构,发现了Chameleon算法中存在的异常数据无法正确处理的问题,给出了Chameleon算法的改进方法,运用K-medoids算法对Chameleon算法中第一阶段的K-最近邻图进行子簇划分,对数据集内的异常点进行正确的子簇归类,在保证子簇高内聚性的同时降低了异常点的影响,给第二阶段的局部动态模型的构建提供更为精确的子簇,进而得到更加精确的聚类分析结果。其次研究了基于K-medoids算法改进的Chameleon算法的实际应用效果,利用从2018年某证券公司649名证券客户的交易信息数据中提取的6个特征值对改进的Chameleon算法进行实证分析,并与多种Chameleon的改进算法进行对比分析,进一步验证了基于K-medoids算法改进的Chameleon算法的实用性和有效性。