K-means算法本身对异常值并不特别敏感，因为它是基于最小化误差平方和来进行聚类的。这意味着，即使数据集中存在一些远离其他数据点的异常值，K-means算法仍然会尝试将它们划分到相应的簇中。
然而，异常值可能会对K-means算法的性能产生一定影响。由于异常值与其他数据点的距离较远，它们可能会被错误地划分到不同的簇中，从而增加了簇内误差平方和。这可能会导致算法需要更多的迭代次数才能收敛到稳定的解。
此外，如果异常值的数量过多，它们可能会对K-means算法的聚类结果产生更大的影响。在这种情况下，可能需要考虑使用其他的聚类算法，如DBSCAN或层次聚类等，这些算法对异常值具有更好的鲁棒性。
在Java中实现K-means算法时，可以通过一些技巧来减少异常值的影响。例如，可以在预处理阶段对数据进行标准化或归一化，以消除不同特征之间的量纲差异；或者可以在聚类过程中设置异常值的权重，以减小它们对聚类结果的影响。
总之，K-means算法本身对异常值并不敏感，但异常值可能会对算法的性能产生一定影响。在实现和使用K-means算法时，需要注意数据预处理和异常值处理等方面的问题。