目前,聚类技术在大数据处理和分析中的应用越来越广泛。本文以LAMOST恒星光谱数据分析为研究背景,针对两种经典的划分聚类算法K均值和K中心算法中距离度量未充分考虑属性重要程度、初始中心选择随机性以及处理海量高维恒星光谱数据时时空开销大的缺陷进行优化改进。主要研究内容如下:（1）提出了一种基于属性加权的聚类算法。针对传统基于划分的聚类算法未有效区分属性特征重要程度的缺陷,考虑各属性特征对聚类划分的贡献率不等的思想,提出了一种可以量化属性重要程度的改进聚类算法。首先定义了离散度函数,通过该函数从属性离散程度来区分属性的重要性;然后,根据各属性的离散度值计算各属性的相似度距离,将所有属性的距离求和作为数据对象间的相似性判断依据;最后,结合K-means算法思想进行聚类。理论分析以及在UCI和LAMOST恒星光谱数据集上的相关实验表明:该算法减少了聚类过程的迭代次数,提高了聚类结果的准确率。（2）提出了一种属性权重自适应的聚类算法。针对两种典型基于划分的聚类算法中初始中心随机选择以及固定属性权重不够灵活的问题,给出了一种属性权重自适应的聚类算法。首先,定义了全局和局部属性离散度的比作为属性重要性的度量依据;然后,基于初始聚类中心应满足相同半径内具有较大密度且中心间相对较远的思想,提出了一种结合密度和距离的初始聚类中心选择方法;最后,引入调节参数来优化“手肘法”并确定最优簇数K。通过UCI和LAMOST恒星光谱数据测试验证了所提算法的聚类结果更接近真实的划分情况。（3）设计并实现了一个恒星光谱数据聚类分析原型系统。首先,依据数据归约的思想构建了一种基于Haar小波变换的恒星光谱数据特征提取模型用于提取光谱数据的主要特征并重构谱线特征集;其次,为了提高人机交互效率,在上述研究基础上基于算法（2）设计并实现了一个恒星光谱聚类分析原型系统;最后,通过恒星光谱数据集测试验证了该系统的聚类结果符合MK分类规律。该系统的开发有助于恒星光谱数据聚类分析研究和天体光谱数据挖掘,对进一步深入分析天文大数据提供了有力的支撑。