针对传统K-means聚类算法对初始中心点比较敏感、易陷入局部最优，首先提出基于KD-树的初始聚类中心点选取方法。该方法通过建立KD-树将数据集分割成矩形单元，计算每个矩形的矩形单元中心、矩形单元密度，并将计算所得矩形单元密度降序排列，通过选取前k个矩形单元中心作为初始聚类中心，可有效克服传统算法对初始中心点的敏感。此外，针对传统K-means聚类算法不能有效处理动态数据聚类的问题，进一步提出了KDTK-means聚类算法。该算法对基于KD-树优化选取的k个聚类中心和增量数据建立新的KD-树，利用近邻搜索策略将增量数据分配到相应的聚类簇中并完成聚类。实验结果表明，与传统的K-means聚类算法相比，提出的基于KD-树优化初始聚类中心点选取的算法能够有效选取具有