随着数据库知识发现技术和数据挖掘技术的迅速发展,数据聚类技术作为数据挖掘的重要技术之一,在诸如市场分析、金融投资、医疗卫生等实际应用领域得到了广泛的应用.但是,由于传统的数据聚类算法在涉及到大数据集的聚类时,计算开销很大,效率很低,而使其实用性在一些相关领域中受到严重的限制.所谓大数据集,主要表现在以下三个方面:(1)在数据集中,数据项很多;(2)每个数据项的特征维数较高;(2)聚类的类别很多.长期以来,尽管人们提出了许多数据聚类算法,如K-means算法、KD-trees算法、Wavecluster算法等等,所有这些算法都试图解决在规模数据库的数据聚类问题.但是,几乎没有一种算法能在三种情况并存时仍能高效工作.针对这一问题,该文提出一种新的聚类方法,其主导思想是首先把一个求解数据聚类问题转换为一个图形分割寻优问题,然后利用一种改进的模拟退火算法,求出优化问题的全局最优解.实验证明该算法在上述三种情况并存时仍能高效工作,并能有效应用于实际应用领域.