数据挖掘是近年来很多领域竞相研究的一个热点,而聚类分析是数据挖掘的关键技术之一。聚类分析就是使用聚类算法来发现有意义的聚类,它在没有任何先验知识的前提下,根据数据的相似性将数据聚合成不同的簇,使得相同簇中的元素尽可能相似,不同簇中的元素差别尽可能大。K均值聚类算法属于聚类分析算法中一种基本的且应用最广的划分方法,是一种在无类标号数据中发现簇和簇中心的方法。它的主要优点是简洁、快速。如果聚类结果是密集的,而且簇之间区别明显时,它的效果最好。对处理大的数据集,该算法是相对可伸缩的和高效率的。但在实际应用中人们发现,K均值算法可能受初始选定的聚类中心的影响而过早地收敛于次优解。因此本文主要针对K均值算法对初值的依赖易陷入局部极值而达不到全局最优的缺点提出了改进方案。引进一种全新的群智能算法——鱼群算法,该算法对搜索空间有一定的自适应能力,并且多鱼个体并行进行搜索,具有较高的搜索效率,可以使K均值聚类中部分陷入局部极值的点向全局极值处收敛。本文最后,分别对K均值算法和改进的基于鱼群的K均值聚类算法进行了实验。实验结果表明,该算法不仅克服了传统的K均值算法存在的问题,而且有较快的收敛速度。