传统K-medoids聚类算法的聚类结果随初始中心点不同而波动，且计算复杂度较高不适于处理大规模数据集；快速K-medoids聚类算法通过选择合适的初始聚类中心改进了传统K-medoids聚类算法，但是快速K-medoids聚类算法的初始聚类中心有可能位于同一类簇。为克服传统K-medoids聚类算法和快速K-medoids聚类算法的缺陷，提出一种基于粒计算的K-medoids聚类算法。算法引入粒度概念，定义新的样本相似度函数，基于等价关系产生粒子，根据粒子包含样本多少定义粒子密度，选择密度较大的前K个粒子的中心样本点作为K-medoids聚类算法的初始聚类中心，实现K-medoids聚类。UCI机器学习数据库数据集以及随机生成的人工模拟数据集实验测试，证明了基于粒计算的K-medoids聚类算法能得到更好的初始聚类中心，聚类准确率和聚类误差平方和优于传统K-medoids和快速K-medoids聚类算法，具有更稳定的聚类结果，且适用于大规模数据集。