随着通信业务的发展，要求国内通信企业的运营模式由以产品为中心逐步向以客户数据为中心、以信息为基础的国际先进模式转变，客户细分成为该经营模式的前提和基础。如何根据客户消费行为对客户进行合理的细分，对不同的客户提供适合其特点的个性化服务，为客户创造价值，同时使企业利润达到最大化，己成为通信运营商关注的焦点。数据挖掘聚类技术能有效的将具有相同特征的客户聚为一类，为企业进行客户细分提供了技术支持。本文对k-means算法进行改进研究并应用于通信行业客户细分中，主要工作如下：剖析了聚类分析中的经典k-means算法，阐述了算法思想和基本流程，分析了该算法的优点和不足以及现有的改进算法，重点分析了k-means算法对初始聚类中心的依赖性以及k-means算法处理海量数据时的时间效率低的缺陷。针对这两点不足，提出一种改进算法。改进算法取尽可能离得远的样本点作为初始聚类中心，这样可以避免经典算法随机选取初始中心时很可能出现的聚类中心过于邻近的现象，有效防止了目标准则函数陷入局部最优。另一方面，改进算法在计算和比较样本点间的距离时，将三角不等式原理引入到k-means算法中，避免一些不必要的比较和距离计算，提高了算法的时间效率。然后通过仿真实验来验证改进算法在聚类效率、聚类稳定性和时间效率上均优于经典k-means算法。最后将改进的k-means算法应用到电信客户细分中，得到了比较理想的细分结果，并对结果进行分析，从而对不同的客户群制定不同的营销策略，为企业提供合理的决策支持，具有一定的实际意义和应用价值。