近年来,我国高校逐年扩招,学生数量急剧增加,随着个性特征鲜明的00后逐渐迈入大学校园,大学生对个性化宿舍分配的呼声也越来越高,传统的人工宿舍分配方式显得力不从心。因此,本文致力于建立一种基于学生个性特征的自动化宿舍分配模型,运用k-modes聚类算法和贪心算法对学生进行宿舍分配,将个性相似的学生相聚、个性相异的学生相离。本文的重点研究工作主要包括以下两个方面:（1）对传统k-modes聚类算法的改进。传统的k-modes聚类算法简单速度快,但在分类数据相异度的度量和初始聚类中心点的选取两方面存在一定的局限性。为了对该算法进行改进,本文引入了属性值权重的概念,提出了一种基于多属性权重的k-modes聚类算法。针对分类数据相异度的度量,结合内部相异度（属性值本身的差异）和外部相异度（属性值在数据集中的分布特征）,定义新的相异度度量公式。针对初始聚类中心点的选取,结合离群度和相异度,选取离群度较低且彼此相隔较远的数据对象作为初始中心点。在UCI数据集中对改进后的算法进行测试,实验结果表明该算法性能表现优秀。（2）提出基于改进k-modes聚类算法及贪心算法的宿舍分配模型。本文通过调查问卷的方式找出影响宿舍人际关系的重要个性因素,并将其作为学生在宿舍分配过程中的主要属性特征。接着将改进的k-modes聚类算法应用在宿舍分配模型上,并利用贪心算法对聚类完成后剩下的学生进行再分配。建模完成后在问卷数据集中进行应用分析,验证了模型的可行性。通过模拟实验的方式,探究随着入住学生数量的增加,该模型与其它的宿舍分配模型在模型操作时间和模型分配效果两方面的变化并进行对比,验证了模型的实用性。