针对传统K-means算法对初始聚类中心敏感的问题，提出了基于数据样本分布情况的动态选取初始聚类中心的改进K-means算法。该算法根据数据点的距离构造最小生成树，并对最小生成树进行剪枝得到K个初始数据集合，得到初始的聚类中心。由此得到的初始聚类中心非常地接近迭代聚类算法收敛的聚类中心。理论分析与实验表明，改进的K-means算法能改善算法的聚类性能，减少聚类的迭代次数，提高效率，并能得到稳定的聚类结果，取得较高的分类准确率。