聚类是将一组对象根据一定的原则分成若干类的过程。在结果中，相同类中对象的相似度较高，不同类间对象的相似度较低。聚类分析是机器学习的一个重要组成部分，已经被广泛地应用在市场研究、语音识别、故障检验、图像处理和数据压缩等领域中。K-means是一个常用的聚类算法，它是一种基于中心的聚类方法。该算法实现简单、运行效率高、收敛速度快，适合处理大型的数据集合。但是它对初始值敏感，容易陷入局部最优解，从而产生早熟现象。本文在深入分析K-means及其改进算法的基础上，引入了全局优化领域中的类电磁机制（EM）启发方法，然后结合K-means的性能函数，设计了一种新的聚类算法——类电磁机制聚类算法（EMC）。为使初始中心均匀分布，提出了一种基于最大距离积原则的初始中心选取方法；为使EM算法符合聚类问题的要求，调整了电荷量和合力的计算公式；为提高搜索性能和收敛速度，引入了自适应的移动步长算子，并结合这一算子改进了局部搜索和粒子移动过程。实验结果表明，与K-means及其改进算法相比，新算法的平均性能和稳定性都有很大提升，而相对于其它一些同样利用智能优化算法的聚类方法，新算法除了上述优势外，还提高了运行速度。由于智能优化算法固有的复杂性，类电磁机制聚类算法运行在大型数据集合上的时候，效率相对较低。在后续的研究工作中，将从聚类问题自身的特点出发，改进迭代过程中粒子的局部搜索和移动方法，以此来降低类电磁机制聚类算法的运算复杂度，提高运行速度。