传统的k-均值聚类算法是从要聚类的样本中任意挑选指定个样本作为初始点开始聚类,初始点选取不同,聚类算法每次执行的结果可能不一样,这样会导致不稳定的结果。为了使聚类结果更加稳定,在聚类算法开始之前怎样得到准确的中心点个数以及正确地挑选合适的初始中心点的研究具有非常重要的价值。均值偏移算法是一种非参数密度估计算法。均值偏移算法可以通过不停的循环调用,可以很快地使样本点收敛于密度函数最大的地方。算法的过程就是不断寻找概率密度局部最大值的过程。通过均值偏移算法可以很快的找到聚类中心点。基于Spark集群环境下使用均值偏移改进后算法针对k-均值中的缺点进行了深入研究,主要取得了以下成果:首先,深入研究了k-均值算法的理论和执行过程,并指出了k-均值算法随机选取初始点和执行效率的局限性。其次,深入研究了均值偏移算法的理论,发现该算法的收敛速度非常快。再次,提出离散点的选取方法,选取离之前选择所有点距离和最远的点使得初始点的选取更加分散,避免随机选点时陷入局部最优解的情况,使得聚类效果更稳定。最后,创新性的提出利用Mean Shift算法收敛更快的的特点改进k-均值算法,即Msk-means算法,使更改后的算法聚类速度更快。