随着科技的迅猛发展,数据挖掘技术与人们生活的关系越来越紧密,各种聚类方法在现实领域的实际应用也成为学者们研究的重要方向。K-means是人们熟知和常用的聚类分析方法之一,由于具有以下优点：算法简单、容易理解、时间复杂度较低、收敛速度快、对输入的顺序不敏感、能有效的处理大规模的数据集,在实践中得到了广泛的应用。本文深入研究了K-means算法,分析其优点与不足,总结出该算法的不足主要集中在如下两个方面： (1)簇数目K存在盲目性：对于给定的数据集最终要聚类成几簇,没有明确的依据可以遵循,需要凭借个人经验。(2)聚类时未考虑数据集含有多个不同的视图和变量：K均值算法进行聚类时没有考虑到不同视图之间存在差异,而是将多个不同的视图看成一组平面变量进行聚类,并且也未考虑视图中不同变量的权值。对于K-means的上述两个缺点,本文提出了一种改进的自适应双层变量加权K-means算法,该算法不需要预先设置最终的簇数目K,而是根据数据集的特点自动聚成合适的K个簇,并且同时考虑到数据集含有多个不同的视图与变量,而不是将所有数据看成一组平面向量,从而较为有效的改进了K-means算法的缺点。实验结果表明,该算法不需要预先设定最终簇的数目K,而是自动聚出合适的簇数目,当用户对数据集不甚了解时,也能得到较为有效的簇,从而较好的改变了K-means算法K值的盲目性,并且该方法能够同时考虑到数据集含有多个视图与变量的情况,给视图与变量自动设置权重。与此同时,将改进的自适应双层变量加权算法与双层变量加权算法和自适应K-means算法分别进行比较,改进后的算法具有较好的聚类效果和较短的执行时间。