现有的基于密度优化初始聚类中心的k-means算法存在聚类中心的搜索范围大、消耗时间久以及聚类结果对孤立点敏感等问题，针对这些问题，提出了一种基于平均密度优化初始聚类中心的k-means算法adk-means。该算法将数据集中的孤立点划分出来，计算出剩余数据集样本的平均密度，孤立点不参与聚类过程中各类所含样本均值的计算；在大于平均密度的密度参数集合中选择聚类中心，根据最小距离原则将孤立点分配给离它最近的聚类中心，直至将数据集完整分类。实验结果表明，这种基于平均密度优化初始聚类中心的k-means算法比现有的基于密度的k-means算法有更快的收敛速度，更强的稳定性及更高的聚类精度，消除了聚类结