近几十年来,随着数据挖掘技术的飞速发展,其在表示数据过去的发展状况、预测数据未来的发展趋势、为商业和企业的决策提供支持信息的作用愈发重大。聚类分析是一种重要的数据挖掘方法,在诸多领域有着重要应用。而K均值算法更由于高效、快速的特点成为聚类算法中应用最广泛的一种。本文着重于解决K均值算法易受到初始点的影响以及容易收敛到局部极值的缺点,从而使得K均值得到更多、更广泛的应用。本文提出“类内距离比例”的方法,统计类内所有样本到类内其他样本点的平均距离小于类中心到其他类内样本的平均距离的数量,用此数量占据当前属于类的样本总数的比例,来归纳类中心的可优化程度。以所有类的可优化程度的平均值为新的聚类指标。并且通过设定阈值的方法,分离当前聚类,改进K均值聚类算法。针对K均值易受初始点的影响的缺点,本文通过类之间密集程度来判定是否合并重合度较高的类。本文进行的仿真实验,对新指标的类内评价指标进行估算;对影响新指标的不同因素进行对比;给出了不同维度下、类间密集覆盖时DB类间评价指标的实验值;给出了基于新的聚类指标的K均值改进算法的参数阈值。实验结果表明:改进的K均值聚类算法有效的解决了经典K均值算法容易收敛到局部极值、易受初始点影响的缺点。最后将改进的K均值聚类算法应用在电信用户数据分析上,得到用户的不同特征,为决策者提供备选营销方案。