鉴于机器学习中聚类算法计算效率高、估计参数少、模型依赖弱等优点,本研究运用聚类算法识别纵向数据增长轨迹中存在的总体异质性,即潜在类别或亚组。将单个受试者在各时间点收集的测量数据视为一条轨迹,基于k-means算法,在R软件中设计一套自适应纵向数据异质性识别算法（ALDHRA）,用于识别不同轨迹集群,完成受试者聚类。首先,进行缺失值处理,删除缺失值比例过高的受试者数据,对剩余缺失值根据缺失位置使用不同方法进行插值;其次,使用CRITIC方法对各时间点数据进行加权,通过Calinski＆Harabatz（CH）准则确定最佳聚类数量;然后,通过不同方法得到初始聚类中心,使用弗朗明歇（Frechet）距离和动态时间规整（DTW）定义轨迹之间距离;最后,根据kmeans算法原理,不断迭代至算法终止得到异质性识别结果,并使用聚类有效性指标评价算法性能。为验证算法性能,本文进行模拟研究。通过设置控制因子,进行大规模模拟实验设计,探究算法在不同纵向数据情形下的性能。结果表明,潜在类别数、时间点数和受试者数量对算法性能有较弱负面影响,潜在类别距离和受试者随机误差对算法性能具有较强正面影响。本算法在各种纵向数据情形下性能良好,且更适用于识别潜在增长轨迹之间具有较大差距或受试者之间差异较大的纵向数据异质性。为验证算法实用性,使用临床医学数据进行实证分析。对儿童铅中毒血铅水平和艾滋病患者CD4细胞数分析发现,儿童血铅水平中存在三类变化轨迹,可将儿童分为三类;艾滋病患者CD4细胞数中存在两类变化轨迹,可将患者分为两类。根据识别结果对病患进行划分,从而实现精准治疗和个性化医疗服务。将算法有效性评价指标值与基于形状的纵向数据聚类算法（kml Shape）、基于模型的纵向数据聚类算法（mix AK）、基于个案残差算法（ICRBA）和经典纵向数据聚类算法（kml）进行比较,结果表明该算法性能较优,与kmlShape性能接近,优于mixAK、ICRBA和kml方法。