聚类分析是数据挖掘中的重要内容之一,是将数据对象按照相似性度量划分成各类簇的过程,并广泛的应用在数据挖掘,模式识别等领域。K-medoids聚类算法是一种基于划分的聚类分析方法,具有对孤立点敏感度较低和良好的鲁棒性等优点。但由于初始聚类中心的选取和中心点迭代更新等,聚类精度和效率较低,严重地影响了聚类分析效果。本文针对K-medoids聚类算法中的初始中心点的选取和k值的确定等进行了深入研究,其主要成果如下:(1)给出了一种基于标准差的K-medoids聚类算法。该算法利用标准差定义了初始中心点候选集,并采用逐步增加的方式确定初始中心点,从而保证了选取密集程度较大的样本点作初始聚类中心点,同时避免选取到密集程度较低的样本点尤其是孤立点作为初始中心点。采用UCI数据集和人工数据集,实验验证了该聚类算法的有效性。(2)给出了一种自适应聚类簇数的K-medoids聚类算法。该算法利用聚类中心点通常具备较高的密度,并且聚类中心点之间相距较远的原理,定义了一种在聚类过程中决策聚类簇数的方法。采用了UCI数据集,实验验证了该聚类算法的有效性。(3)在上述研究成果的基础上,利用eclipse开发工具,设计实现了一个天体光谱聚类分析原型系统,其运行结果分析表明该原型系统可为特殊未知天体光谱的知识发现,提供一种有效途径。