K-means聚类算法对于小规模数据其聚类结果具有高效性和准确性,但对于大规模的数据,聚类结果的准确率明显下降。K-means聚类算法中的聚类数须事先确定,对初始聚类中心点的选取具有很大的依赖性和随机性,并且对噪声点非常敏感。针对K-means算法这些缺陷,论文提出了一种基于属性加权的K-means改进算法。论文提出了一种主成分分析与线性判别分析相结合的属性加权主成分分析PWPCA算法。利用线性判别分析的线性映射与主成分分析对数据维数进行约简,通过计算各属性的贡献率来确定权值,利用最小二乘法将其拟合,对于特征权值接近为零的维数可将该维约简,以便达到属性加权特征选择的效果。在维数约简后的数据上进行K-means聚类,减少了聚类计算量,提高了聚类准确率。与其它算法进行聚类分析比较,实验结果分析表明了基于PWPCA的K-means算法能有效解决聚类对异常点敏感及海量数据聚类准确率较低的缺陷。论文提出了一种基于并行二分最大最小距离的K-means算法PBMMKM(Parallel Bisecting Max Min K-means)。算法根据并行二分执行迅速的思想将数据集划分为特定的类数,在每个类中运用最大最小距离的思想进行聚类,依据最近邻类的合并原则进行小类合并,用BWP有效评价指标来反映聚类结果。PBMMKM算法在进行聚类时不需要确定聚类数,有效解决了 K-meatns聚类算法中的聚类数必须事先给定以及对初始聚类中心点的选取具有随机性这些缺陷。与其它算法进行聚类分析比较,仿真实验结果表明了基于属性加权的PBMMKM算法具有较高的稳定性和准确性。在客户关系管理系统中采用了 PBMMKM算法,对处理好的数据集分别用K-means算法、MMKM算法和论文提出的PBMMKM聚类算法进行客户聚类分析比较,通过客户聚类细分结果表明了 PBMMKM算法使得聚类结果更加准确和细化,具有更接近实际应用的聚类分析结果。