近年来，在巨大的数据信息当中找出自身最为关注的信息已经成为当前的一个极为重要的研究热点，随着计算机网络技术、信息数据的日益膨胀以及数据库技术的不断发展。，在此基础上，数据挖掘技术的应运而生，引起了信息产业界的极大关注。聚类分析技术是一种将数据集划分为多个簇的技术，确保同一个簇中的数据特征尽量保持一致，不同簇间的数据特征尽量相异的一项技术。数据挖掘中的聚类技术种类繁多，众多算法中，K-means算法由于流程简洁，收敛性较好得到普遍的应用。除此之外，还包含注入层次聚类算法、基于约束理论的聚类算法、在高维数据中应用的聚类算法等等。在传统的数据挖掘领域应用K-means算法在数据采集和分析过程中的稳定性难以得到保证，因为聚类结果对初始中心选取的敏感性较高，存在k值确定困难的缺点。
　　本文以K-means算法为研究对象提出了一种基于K-means算法的改进型聚类算法，该算法保留了传统K-means算法的优势，同时改进型的算法原理同K-means算法相似，在本文中通过运用改进型K-means算法来完成对NBA球员的技术统计分析。除此之外，就K-means算法在应用过程中存在的初始聚类中心依赖性强等问题进行了完善，经改进的聚类中心选取更加灵活，同时通过对初始聚类中心选取的优化，提高了K-means算法的聚类效率以及聚类结果的稳定性。最后对改进型K-means算法进行了详细描述，并通过演示清晰的呈现了算法的执行过程，最后基于算法的执行过程和结果对传统K-means算法的优缺点进行了说明。为了对改进型的K-means算法算法实际运算效果进行验证，本文以球员数据对象进行分类，以NBA球员统计数据为基础，采用对NBA球员数据的聚类分析，验证了改进后的K-means聚类算法的分类的有效性，利用JAVA作为开发语言，通过对比分析传统K-means算法结果，对比结果显示改进后的K-means聚类算法相较于传统的K-means聚类算法具有更好的聚类效果，通过初始聚类中心的选取可有效改善算法的收敛性，达到更加的聚类效果。