Los algoritmos más populares utilizados en el aprendizaje no supervisado son los algoritmos de agrupamiento. Los algoritmos de agrupamiento se utilizan para agrupar muestras en un número de clases o grupos basados en las distancias de las características de muestra dadas. Por lo tanto, cómo definir la distancia entre las muestras es importante para el algoritmo de agrupamiento. Los algoritmos de agrupamiento tradicionales generalmente se basan en la distancia de Mahalanobis y la distancia de Minkowski, que tienen dificultades para tratar datos basados en conjuntos y datos no lineales inciertos. Para resolver este problema, proponemos la distancia relativa de vectores granulares y la distancia absoluta de vectores granulares basadas en la operación de gránulo de vecindario. Además, también se propone el algoritmo de agrupamiento de desplazamiento de medias de gránulos de vecindario. Finalmente, se demuestra la efectividad del agrupamiento de desplazamiento de medias de gránulos de vecindario desde dos aspectos de métricas internas (Precisión e Índice de Fowlkes-Mallows) y una métrica externa (Coeficiente de Silueta) en múltiples conjuntos de datos del Repositorio de Aprendizaje Automático de UC Irvine (UCI). Descubrimos que el algoritmo de agrupamiento de desplazamiento de medias granulares tiene un efecto de agrupamiento mejor que los algoritmos de agrupamiento tradicionales, como Kmeans, Mezcla Gaussiana, etc.