聚类融合方法作为实现数据挖掘的探索性功能中最为重要的技术之一,已逐渐成为人们研究的热点,在电信、银行和金融信息量巨大的领域里得到了广泛的应用。随着通信技术的快速发展,各大运营商已经进入了全新的3G业务运行时代,如何在运营中了解客户的需求,提高对不同行为客户的服务是各大运营商成功的关键。运用数据挖掘技术中的聚类算法可以掌握用户信息,为人们提供高质量的服务。本文分析和研究了近年来国内外有关聚类算法和聚类融合算法的学术文献,针对单一算法只适合特定的数据和应用中的不足,提出一种基于k-means的改进聚类融合算法。该算法首先定义新的聚类成员的差异比较函数(Difference Comparison Function, DCF),并利用DCF对聚类成员进行评判,选择平均差异度较小的作为最终融合的成员；然后提出新的加权函数对聚类成员进行加权；最后利用共识矩阵进行融合。实验结果表明：改进的新方法能有效处理聚类成员的差异度,在聚类结果的准确性、可扩展性和鲁棒性方面比单一聚类算法有更好的表现。本文将改进的聚类融合算法应用于某通信运营商客户行为分析中,通过对客户的消费行为、客户对产品的使用频率等进行研究,了解客户的行为偏好,得到对该运营商客户行为分析管理有帮助的信息,真实的数据实验证明了该算法的有效性。