随着通信技术的成熟,用户在电信企业的生存和发展中起到关键性的作用,因此运营商们纷纷建立了各自的客户关系管理系统,进行用户需求分析,而数据挖掘技术的提出为管理系统中海量用户需求分析提供了科学手段。　　k-均值聚类作为数据挖掘技术中有效的聚类分析方法之一,对于大数据处理效率高且可发现球状簇,限于k-均值算法对初始参数具有很强的依赖性且对噪声点或孤立点敏感等缺陷,同时利用粒子群算法的全局寻优能力的优点,提出了多子群k-均值聚类算法。在此基础上,利用多子群k-均值算法对RBF网络的基函数中心点进行选取,减少RBF网络对初始参数的依赖。限于单一聚类结果的不稳定及缺乏先验知识等缺点,文中基于融合的思想,提出基于聚类成员质量和聚类成员之间差异性的加权融合函数。　　利用提出的多子群k-均值加权聚类融合算法和改进的RBF网络,对某电信公司手机报业务用户消费行为进行预测,采用贝叶斯组合分类思想对预测结果进行评价。仿真实验表明,多子群k-均值算法比传统k-均值算法聚类结果质量高、稳定性好;对于加权融合算法整体上比单个聚类结果质量高,同时加权融合结果受聚类成员的个数和聚类成员簇的个数的影响;利用改进的RBF网络预测用户消费行为并用贝叶斯方法对该模型进行了评价,结果表明该方法可行。