摘要： 针对Ｋｍｅｄｏｉｄｓ（Ｋ为中心点）聚类算法对初始聚类中心敏感、聚类结果依赖于初始 聚类中心的缺陷，提出一种新的半径自适应的初始中心点选择算法。该算法在每次迭代过程中 都重新根据剩余样本点的分布特征计算半径，从而实现动态计算相应样本点的局部方差和领域 半径，选取较优的初始聚类中心点，实现良好的聚类效果。采用不同规模的ＵＣＩ数据集和不同 比例随机点的模拟数据集进行测试，利用５个通用的聚类评价指标对性能进行评价。结果表 明：本算法性能较同类算法有明显提高。