k-means算法的工作過程描述如下:首先從N個數據對象中隨機選取K個對象作為初始聚類中心；而對於剩余對象，根據它們與這些聚類中心的相似性(距離)，將它們分別分配到與它們最相似的聚類(由聚類中心表示)；然後計算每個新聚類的聚類中心(該聚類中所有對象的平均值)；重復這個過程，直到標準測量函數開始收斂。通常，均方差被用作標準測量函數。k簇有以下特點:每個簇本身盡可能緊湊，每個簇盡可能獨立。
流程如下:
(1)從n個數據對象中隨機選取k個對象作為初始聚類中心；
(2)根據每個聚類對象的平均值(中心對象)，計算每個對象與這些中心對象之間的距離；並根據最小距離重新劃分對應的對象；
(3)重新計算每個(改變的)聚類的平均值(中心對象)；
(4)循環(2)和(3)直到每個簇不再變化(標準測量函數收斂)。
優點:該算法確定的K個劃分的平方誤差最小。當聚類比較密集，類間差異比較明顯時，效果更好。對於處理大數據集，這種算法是相對可擴展和高效的，計算復雜度為O(NKt)，其中N是數據對象的數量，T是叠代次數。
缺點:
1.k是事先給定的，但是很難選擇；
2.初始聚類中心的選擇對聚類結果有很大影響。