K-means聚类算法随机确定初始聚类数目，而且原始数据集中含有大量的冗余特征会导致聚类时精度降低，而布谷鸟搜索（CS）算法存在收敛速度慢和局部搜索能力弱等问题，为此提出一种基于自适应布谷鸟优化特征选择的K-means聚类算法（DCFSK）。首先，为提升CS算法的搜索速度和精度，在莱维飞行阶段，设计了自适应步长因子；为调节CS算法全局搜索和局部搜索之间的平衡、加快CS算法的收敛，动态调整发现概率，进而提出改进的动态CS算法（IDCS），在IDCS的基础上构建了结合动态CS的特征选择算法（DCFS）。其次，为提升传统欧氏距离的计算精确度，设计同时考虑样本和特征对距离计算贡献程度的加权欧氏距离；为了确定最佳聚类数目的选取方法，依据改进的加权欧氏距离构造了加权簇内距离和簇间距离。最后，为克服传统K-means聚类目标函数仅考虑簇内的距离而未考虑簇间距离的缺陷，提出基于中位数的轮廓系数的目标函数，进而设计了DCFSK。实验结果表明，在10个基准测试函数上，IDCS的各项指标取得了较优的结果；相较于K-means、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）等算法，在6个合成数据集与6个UCI数据集上，DCFSK的聚类效果最佳。
