数据挖掘是从海量的数据集中提取隐含未知并且潜在有价值的信息知识的过程，数据挖掘技术综合了数据库、机器学习、统计学、人工智能、模式识别等多个领域知识，是一种新兴的交叉科学技术。聚类分析在数据挖掘技术中是一个非常重要研究领域，同时是人们探究和提取事物之间内在关系的有效技术方法，其主要功能是按照一定的规则把给定的数据集进行分组或划分，使得同一类内的数据对象间相似性比较大，不同类的数据对象间相似性比较小。目前聚类分析被广泛应用于各行各业中，聚类分析算法按照其思想可分为以下五类：基于层次的聚类算法、基于划分的聚类算法、基于网格的聚类算法、基于密度的聚类算法以及基于模型的聚类算法。K-means算法是一种基于划分的经典算法。由于该算法具有操作简单、高效性和较好伸缩性等优点而被得到广泛使用。然而该算法却存在着一些缺陷：聚类结果对聚类中心点的初始选择和用户输入的k值具有敏感性和依赖性，并容易受孤立点的影响，形成局部最优解的局面。本文主要针对K-means算法中易受孤立点的影响及对用户输入的k值依赖，对K-means算法聚类过程进行了改进研究：提出了基于网格化预处理数据算法和基于距离最大化的k值自动生成算法，并分别进行了实验验证了其可行性和有效性。