为了提高传统CURE（clusteringusingrepresentatives）聚类算法的质量，引入信息熵对其进行改进。该算法使用K-means算法对样本数据集进行预聚类；采用基于信息熵的相似性度量，利用簇中元素提供的信息度量不同簇之间的相互关系，并描述数据的分布；在高、低层聚类阶段，采取不同的选取策略，分别选取相应的代表点。在UCI和人造数据集上的实验结果表明，提出的算法在一定程度上提高了聚类的准确率，且在大型数据集上比传统CURE算法有着更高的聚类效率。