针对传统[K]均值聚类算法中存在的聚类结果依赖于初始聚类中心及易陷入局部最优等问题，提出一种基于样本密度的全局优化[K]均值聚类算法（KMS-GOSD）。在迭代过程中，KMS-GOSD算法首先通过高斯模型得到所有聚类中心的预估计密度，然后将实际密度低于预估计密度最大的聚类中心进行偏移操作。通过优化聚类中心位置，KMS-GOSD算法不仅能提升全局探索能力，而且可以克服对聚类初始中心点的依赖性。采用标准的UCI数据集进行实验对比，发现改进后的算法相比传统的算法有较高的准确率和稳定性。