随着科技的发展,数据挖掘成为一种从大量的数据中提取出有效信息的手段,并且衍生出了很多分支,比如K-means聚类算法:将相似的东西分到一组,不相似的尽量远离,即是一种无监督的问题。它具有快速、简单的特点,但是也存在很多的问题,比如选点的随机性和离群点的影响,但是即使存在上述问题,并不影响它被广泛地应用在各个领域。K-means算法通常都是在独立同分布下进行的研究,但是这种考量是不完备的,完整的考量是非独立同分布（Non-Independent and Identically Distribution,简写Non-IID）下进行的,如果忽略了它们之间的潜在关系,就会影响聚类效果,本文将在非独立同分布下提出针对两种数据类型的K-means算法研究,一种其列全部为数值属性组成的,一种其列由类别属性和数值属性（即具有多个异构属性）组成。本文主要的工作如下:由于传统K-means算法选取初始中心点的敏感性问题,提出一种基于密度的K-means聚类迭代选取中心点的方法（Method for selecting center point iteratively based on density-based K-means clustering,简称DCK）基于密度的思想,通过计算密度参数合理调整高密度区域,并且提出聚类迭代的方法进行选点,选用UCI数据集进行验证,实验结果说明所给的算法能够得到较高的准确率。在数值型数据基础上,为了更好的挖掘其存在的潜在关系,提出一种非独立同分布下基于密度的二次幂耦合K-means聚类算法（A density-based second power coupling K-means clustering algorithm based on non-independent and identical partitions,简称N2-QCK）,首先将数据集进行二次幂处理,计算优化后的皮尔森相关系数后得到二次幂耦合后的数据集样本,将样本带入优化后的K-means聚类算法,并且通过UCI数据集进行验证,实验结果显示,相比之前的研究会使得准确率提高。在异构数据的基础上,由于独立同分布思想的局限性,将DCK算法与非独立同分布结合,提出非独立同分布下的基于密度的异构数据K-means优化方法（Density-based K-means optimization method for heterogeneous data under non-independent and identical distribution,简称HN-DCK）,通过考虑类别型数据之间的内部与外部耦合,同时结合了数值型数据的内部与外部耦合,将得到的维数转换和特征选择的全局耦合带入优化后的K-means进行验证,实验结果表明,所给算法能够得到较高的准确率。