傳統的K-means算法隨機選取初始聚類中心，聚類結果不穩定，容易陷入局部最優解。針對聚類中心的敏感性，提出一種優化初始聚類中心的K-means算法。此算法利用數據集樣本的分布特征計算樣本點的密度并進行分類，在高密度區域中選擇K個密度最大且相互距離超過某特定閾值的點作為初始聚類中心，并對低密度區域的噪聲點單獨處理。實驗證明，優化后的算法能取得更好的聚類效果，且穩定性增強。