受初始类中心的影响K-Means算法聚类结果容易陷入局部最优.基于遗传算法(Genetic Algorithm,GA)和粒子群优化算法(particle swarm optimization algorithm,PSO)的改进K-Means一定程度上改善了基本K-Means的性能,然而GA和PSO本身也容易陷入局部最优解.针对上述问题,提出一种新的聚类方法—基于杜鹃搜索算法(Cuckoo search algorithm,CS)的K-Means聚类方法,并将此算法与现有的基于GA的K-Means和基于PSO的KMeans进行比较.实验结果表明:该方法能有效地改善基本K-Means算法易陷入局部极值的缺点,而且全局寻优能力优于基于GA的K-Means和基于PSO的K-Means,是一种性能鲁棒的聚类方法.