磨音信号是反映磨机运行状态的一个重要参数，准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类，为使磨音信号聚类效果更优，不仅需要类内距离小，还需要类间距离尽可能大。由此提出一种基于局部稳定性加权动态时间规划(Local Stability Dynamic Time Warping，LSDTW)和优化k-medoids 的磨音信号聚类方法。首先为克服动态时间规划(Dynamic Time Warping，DTW)得到的计算结果对噪声高度敏感的缺点，使用局部稳定性估计对DTW加权计算来降低噪声对计算结果的影响，其次针对k-medoids聚类需要多次计算才能确定聚类个数的不足，提出使用异常迭代模式(Abnormal Pattern，AP)优化k-medoids 方法选取代表性的初始集群中心。采用优化k-medoids 方法对LS-DTW的结果进行聚类分析，以平均轮廓系数作为评价标准，对比LS-DTW-k-medoids、DTW-k-medoids、DTW-优化k-medoids、k-means++算法效果可知，经本文方法聚类后，类内紧致性更优。