本研究探讨多目标优化在聚类算法中的应用，聚焦于提升聚类结果的精度和适应性。在高维数据与复杂分布的情境下，传统聚类算法难以有效平衡类内紧凑性和类间分离性。针对此问题，本研究提出一种改进的多目标优化聚类方法，采用非支配排序与拥挤度控制机制，通过优化聚类中心选择与迭代收敛过程提升算法的稳定性与效率。结果表明：与传统的聚类算法相比，引入多目标优化的改进聚类算法训练时间最低，仅为16.36 s,且拥有更好的预测精度，在高维复杂数据和大规模数据处理上展现出显著优势，可提供高效的解决方案。