数据挖掘，又称数据库中的知识发现，是指从大型数据库或数据仓库中提取具有潜在应用价值的知识或模式。分类是数据挖掘领域中一个重要的研究分支。基于朴素贝叶斯技术的分类是当前数据挖掘领域的一个研究热点。但朴素贝叶斯分类的条件独立性假设和数据完备性要求限制了实际数据的应用。本文利用改进的K-均值算法对缺失数据进行处理，提高了朴素贝叶斯分类的精确度。主要工作如下：1、提出了一种基于改进的K-均值算法IKM，改进后的IKM算法结合了分层聚类和K-均值算法的各自优点，同时也克服了它们原来的缺点。IKM算法的基本思想是：首先进行分层聚类，得到一些初始信息(即分类的数目K的值和初始的聚类中心)，然后运用K-均值算法进行精化，最后得到质量较高的聚类结果。2、建立了基于IKM算法的朴素贝叶斯分类模型(IKMNBC)。利用IKM算法先对原始数据中的完整数据子集进行聚类，计算缺失数据子集中的每条记录与K个簇中心的相似度，将记录划分到距离最近的一个簇中，并用该簇中相应属性的均值来进行缺失值的填充，最后用朴素贝叶斯分类器进行分类。通过UCI标准测试数据集进行实验，实践证明算法是可行的，改进之后的分类方法其分类的准确率要优于一般的朴素贝叶斯分类。3、基于IKMNBC模型，设计了一个教学质量评价系统，该系统性能良好，功能较全，操作方便，可方便地对高职院校教师教学质量结果进行测评。