k-Means Clustering הוא אחד מאלגוריתמי-האשכול (Clustering) הנפוצים והפשוטים ביותר בלמידה לא-מפוקחת: משימה שבה אין תוויות-אמת מראש, והמטרה היא לגלות קבוצות טבעיות בתוך הנתונים בעצמם. האלגוריתם מקבל את הנתונים ואת מספר-הקבוצות הרצוי, k, ופועל באיטרציות: הוא ממקם k "מרכזי-כובד" התחלתיים (לרוב באקראי), משייך כל נקודת-נתונים למרכז הקרוב-ביותר אליה, מחשב מחדש את מיקום כל מרכז כממוצע הנקודות ששויכו אליו, וחוזר על התהליך עד שהשיוכים מפסיקים להשתנות.
האלגוריתם עצמו פותח לראשונה על ידי סטיוארט לויד (Stuart Lloyd) במעבדות בל, ב-1957, לצורך דחיסת-אותות דיגיטליים (קידוד-פעימות, PCM) — אך המחקר פורסם רשמית רק ב-1982, בכתב-העת IEEE Transactions on Information Theory. השם "k-means" עצמו נטבע בנפרד, ב-1967, על ידי ג׳יימס מקווין (James MacQueen), במאמר על שיטות-סיווג וניתוח שהוצג בסימפוזיון-ברקלי לסטטיסטיקה. שני החוקרים הגיעו לרעיון דומה באופן עצמאי, ממחקר בתחומים שונים לגמרי.
חיסרון ידוע של השיטה הוא שהיא מתכנסת לפתרון מקומי בלבד, שתלוי במיקום-ההתחלה האקראי של המרכזים — הרצה שונה עלולה לתת תוצאה שונה במקצת, ולכן נהוג להריץ את האלגוריתם כמה פעמים ולבחור את התוצאה הטובה-ביותר. מגבלה נוספת היא שצריך לקבוע מראש את מספר-הקבוצות k, לפני שרואים בכלל את התוצאה — קביעה שלרוב נעשית באמצעות ניסוי ושיטות-עזר סטטיסטיות.
בזכות הפשטות והמהירות היחסית שלו, k-Means Clustering נפוץ במגוון רחב של יישומים מעשיים: פילוח-לקוחות בשיווק לפי דפוסי-קנייה, דחיסת-תמונות על-ידי איגוד צבעים דומים יחד, וזיהוי אנומליות בנתונים. הוא גם נשאר נקודת-הפתיחה הסטנדרטית ללימוד אלגוריתמי-אשכול בקורסי למידת-מכונה, לפני מעבר לשיטות מורכבות ומדויקות יותר כמו אשכול-היררכי או DBSCAN.