针对传 统K-Means算法存在准确率低、聚类速度慢的问题，从K-Means算法优化和Flink框架并行层面对K-Means算法优化。为避免算法陷入局部最优解，采用质心间最大距离原则选出k个质心；为提高大数据量下的K-Means聚类速度，提出用k-d树算法划分数据集实现操作算子并行化，设置多个Task Manager数目和CPU核数加速F-Kmeans算法的执行。实验结果表明，较K-Means算法，F-Kmeans算法的准确率提高了约3.6％；F-Kmeans算法在DataSource耗时降低了