基于动态粗集理论，提出了一种改进的动态粗集K-均值算法。改进后的算法依据数据对象的迁移系数大小，被划分到某一类的膨胀上近似集或膨胀下近似集;在计算类的质心时采用其中数据对象集的迁移系数的平均值作为权值来衡量它对质心的贡献。在UCI机器学习数据库原始数据集及其噪音数据集上的实验结果表明，改进后的动态粗集K-均值算法提高了聚类的准确性，降低了迭代次数。