K-means聚类算法的性能依赖于距离度量的选择，k-means算法将欧几里德距离作为最常用的距离度量方法。欧氏距离认为所有属性在聚类中作用是相同的，但是这种距离度量方法并不能准确反映样本间的相异性。针对这种不足，提出了融合变异系数的k-means聚类分析方法（CV-k-means），利用变异系数权重向量来减少不相关属性的影响。实验结果表明，该方法的聚类结果优于k-means算法。