随着计算机技术的飞速发展和人类的需求不断扩张,产生了大量的数据,从而迎来了大数据时代。为了从海量数据中挖掘出对人类有用的知识或有价值的信息,数据挖掘技术应运而生。聚类分析作为数据挖掘的一个重要研究分支,旨在通过分析数据对象间的相似性把数据划分成有意义的簇。K-medoids算法基于划分方法的经典聚类算法之一,其对孤立点和含“噪声”数据不敏感,具有较好的稳定性,所以得到广泛的应用。但是传统K-medoids聚类算法对随机选择的初始中心点敏感,收敛速度较慢以及准确率不够高。那么,针对传统K-medoids聚类算法以上缺点,本文提出一种可行的改进算法来克服其缺点。本文主要研究工作如下:为了解决传统K-medoids聚类算法对初始中心点敏感的问题,本文首先利用密度思想为数据集中每个对象建立一个ε0-领域,利用最大最小距离法遴选出K个密度大且距离较远的ε0-领域,把对应的ε0-领域的核心对象作为聚类算法的K个初始中心点;然后,为了解决传统K-medoids聚类算法的迭代次数较高、全局搜索的盲目性,在获取有效初始中心点的前提下,提出了以初始中心点为核心进行ε0-领域搜索更新策略,以此来减少聚类算法的中心点更新迭代次数;同时,为了解决传统K-medoids聚类算法聚类准确率较低等缺点,提出了赋予簇内距离和簇间距离不同权重的准则函数,增强聚类算法的评价标准。改进后的算法在Iris和Wine数据集上进行测试,实验结果表明初始中心点分别位于不同的簇中,降低了算法的迭代次数,提高了聚类准确率。最后,我们将本文改进后的算法应用的到入侵检测系统中,获取了较理想的结果,进一步证明了本文算法的有效性和优越性。