聚类分析是数据挖掘的重要步骤之一,聚类分析能够初步探知未知数据的分布结构、属性特征,是一种无监督的数据分析过程。在信息社会飞速发展的今天,数据挖掘对于生产生活的指导意义越来越大。K-means算法是一种经典的基于划分方法的聚类算法,因其简单、高效、伸缩性好等特点得到了广泛的研究和应用。K-means算法存在一些不足,K-means算法需要给定聚类数K。算法采用随机选取初始聚类中心,导致算法结果不稳定和算法效率下降,聚类结果常常陷入局部最优。另外,在面对大量高维数据处理时,传统的K-means算法并不是适用。针对这些问题,本文作了相关研究和改进。本文做的具体工作如下:1、由于传统K-means算法无法确定K值,本文研究使用聚类评价指标来确定K值的方法,主要介绍了DB指标、CH指标和XB指标,并进行多次实验验证,发现DB指标有很好的效果。2、在初始聚类中心选取上,本文充分研究了K-means算法聚类过程,发现初始聚类中心的选取应该尽量分离,并且接近实际的类中心。本文提出了使用半径划分,依次选出K个聚类中心的改进方法。通过使用多个对比算法进行实验比较,实验结果表明,改进算法在各次实验中都对聚类效果和算法效率有很好的提升。3、在多元分析系统中,K-means算法用于聚类分析模块。本文研究了K-means算法在混合属性中计算距离的方法。另外,受单机计算能力的限制,面对海量高维数据的分析,单机无法完成聚类分析。K-means算法聚类过程具有很好的并行计算特点。因此,本文研究实现了Hadoop下的K-means改进算法。通过实验比较,在Hadoop下改进的K-means算法比传统的K-means算法运行效率有很好提升。