聚类是在无标记的条件下将数据分组,从而发现数据的天然结构的一种技术。聚类在数据分析中扮演了重要的角色,它可以发现数据的潜在结构、对数据进行自然分组或压缩,是人工智能的重要分支之一。2019年,Nie Feiping等人在ACM SIGKDD上提出了指定k个聚类的多均值聚类算法（a multiple-means clustering method with specified K clusters,KMM）。KMM算法为每个类设置多个原型,将含多个子类中心的数据分配给特定的k类变成一个优化问题,交替更新数据对子类中心的划分和k个类的划分。KMM算法解决了K-均值算法在非凸模式簇上的劣势,并且比同类方法用时更少,聚类效果更好。但是KMM算法作为K-均值算法的一种拓展,存在对初始子类原型的选取敏感的问题,且其随机选取原型的方式导致该算法的聚类结果不稳定。此外,KMM算法虽然能很好的完成单视图聚类任务,但在多视图数据激增的今天,该算法却无法完成多视图聚类的任务。上述问题使得KMM算法在实际应用中存在很多不便。因此,对此算法进行改进和拓展,不仅能增强其实用性,也能拓宽其应用场景。本文针对该算法的前文所述缺陷进行的主要研究与工作包含以下几个方面:（1）针对KMM算法对初始原型敏感,且随机选取原型的方式使聚类结果不稳定的问题,提出了一种稳定的K-多均值聚类算法。新算法先基于数据样本的最邻近关系构造图,根据图的连通分支将数据分为若干组,取每组数据的均值点作为初始原型,再用交替迭代的方法对优化问题进行求解,得到最后的聚类结果。在人工数据集和真实数据集上的实验表明,新算法具有更稳定更优越的聚类效果。（2）将KMM算法扩展到多视图聚类问题上,提出一种多视图的K-多均值聚类算法。新算法引入了视图的权值,重新设计了目标函数,在求解目标函数的过程中找到最佳的视图权重分配。在若干多视图的数据集上,新算法比很多流行的多视图聚类算法效果更优。（3）将本文提出的FN-KMM算法应用于肺部X光片的分析问题中,将MKMM算法应用到区域水资源等级划分问题中。首先收集相关的数据资料,其次根据算法和聚类对象的特征对收集到的数据集进行预处理。将相应的算法应用到处理好的数据集上,得到聚类结果后,用三种聚类指标对聚类结果进行评价。通过对比分析不同算法在数据集上的聚类效果,证明了本文提出的两种算法都具有一定的实用价值。