随着互联网时代的高速发展，数据库中存放的数据量呈几何级增长。为了在这些大量的数据中发现有用的知识，数据挖掘这一技术应用而生。本文在基础理论研究方面主要对数据挖掘任务中常用的聚类分析进行了研究。从基于划分、基于层次、基于密度三个方面对不同的聚类分析算法进行了分析，研究了不同的聚类分析算法的运行流程、优缺点以及使用范围。并对聚类分析中常用的K-MEANS算法进行了改进，提出了一种新的K-MEANS算法：利用平方误差和的下降速度来自动确定参数k的最佳取值，克服了传统算法中参数k的取值较难确定的问题；在选取初始均值点时，根据初始均值点的距离阀值来使初始均值点的分布尽量离散，克服了传统算法在运行过程中迭代次数波动较大且易陷入局部最优解的问题。同时由于K-MEANS算法的处理结果受到离群点数据的影响较大，为了使获得聚类结果质量更佳，本文提出了一种基于密度的离群点检测方法。该方法中心思想是判断数据对象的邻域内其他数据对象的个数来确定该数据对象是否为离群点。在扩展应用研究方面，本文将改进的K-MEANS算法应用到ATM选址系统。ATM是银行重要的金融设备，其对银行以及客户的作用是非常巨大的，因此研究ATM的选址具有较大实际意义。首先根据ATM选址的要求，研究了经典的商业设施选址模型理论。然后结合了影响ATM选址的实际因素，构建了ATM选址评价模型。最后将改进的K-MEANS算法同构建的ATM选址评价模型用于解决ATM选址问题，形成了ATM选址系统。文中改进的K-MEANS算法以及ATM选址系统均用C#面向对象编程语言进行编码实现，且运行良好。