基于迭代框架的主动半监督聚类框架（IASSCF）是一个流行的半监督聚类框架。该框架存在两个问题：其一，初始先验信息较少导致迭代初期聚类效果不佳，进而影响后续聚类结果；其二，每次迭代只选择信息量最大的一个样本标记，导致运行速度慢、性能提升慢。针对这两个问题，设计了一种基于主动学习先验的半监督K-means聚类算法。该方法包含初始化阶段和迭代阶段。初始化阶段主动选择代表性较高的节点集合，并基于代表节点集合构建各类的先验节点集合和约束先验集合。迭代阶段，每次迭代包含三步：1）基于当前约束先验集合，利用约束半监督聚类算法PC K-means对数据进行聚类；2）依据当前聚类结果，主动选择每个簇中最具价值信息的未标注样本点；3）利用选择样本点扩充先验节点集合及约束集合。迭代此过程至达到收敛阈值。实验结果表明，与基于原IASSCF框架的半监督K-means聚类算法相比，所提算法运行速度更快，性能更优。