监督学习需要知道所有数据的类别信息,而传统的无监督聚类学习对于已知的先验知识没有在挖掘过程中的充分利用,导致聚类过程的盲目性。半监督学习因具监督学习及无监督学习的优点,成为近几年来数据挖掘领域研究热点问题之一。本文研究了半监督算法与聚类算法。针对search-kmeans算法中心点的选取只满足局部最优,而非全局最优，导致簇的划分不合理的缺点；提出了DS-Kmeans算法,该方法采用二分法在未标记数据集中选取中心点,所选中心点达到全局最优,同时在寻找中心点的过程中,通过一次遍历即可找到所有的中心点,与search-kmeans算法中利用候选集合寻找中心点的方法相比较,减少了遍历次数,从而降低了算法的时间复杂度。K-means算法及其改进算法必须事先确定簇的划分数目,而划分数目的选取具有随机性和盲目性,基于此,提出了BSC-Kmeans算法,该算法不需要事先知道划分数目就可以自组织得到最后的类别数目。通过实验分析了BSC-Kmeans算法在Iris数据集和生成的数据集上进行实验,结果表明BSC-Kmeans算法在事先不指定划分数目的情况下,能够正确的得到聚类结果。最后研究了BSC-Kmeans算法和DS-Kmeans算法在海尔集团的客户分群问题上的应用。对两种算法进行了比较,实现了海尔客户不同群体的划分,并研究了各群体的特点,相关结果将为企业的业务分析和决策提供辅助支持。