信息时代产生了海量数据,这些数据中潜藏着巨大的信息价值,对人们的生活、工作起着愈发重要的作用。但在实际应用中,数据缺失现象在工业、医学、商业和科学研究等诸多领域中普遍存在,存在不完整数据集。如何使缺失数据充分的为人所用,挖掘出缺失数据中潜在的有价值的信息对于我们来说十分重要。若缺失值处理不当会在数据聚类中造成较大误差或错误结果,因此不完整数据聚类问题已经成为不完整数据分析中的一个重点。首先,为了解决模糊C均值（FCM）算法不能直接处理不完整数据聚类,以及缺失数据的不确定性问题,本文提出一种KNN区间型不完整数据模糊聚类算法（KNNI-IFCM）。第一,使用改进的KNN规则确定近邻样本空间,用近邻区间估值方法代替传统的点估值以表达不完整数据的不确定性。第二,区间的大小影响填补精度,进而影响聚类分析。因此根据数据样本的分布情况进一步提出改进的KNN区间计算公式构建属性区间宽度,减小区间带来的聚类误差,最后利用区间模糊C均值算法（IFCM）对区间数据集进行聚类分析。其次,针对所有样本无差别参与不完整数据模糊聚类分析,未考虑不同样本成为聚类中心的概率不同,导致聚类精度低的问题,本文提出一种融合空间密度分布的不完整数据模糊聚类算法（SD-IFCM）。聚类中心位置与空间信息分布有关,分布在密度较高区域的数据点成为聚类中心的概率较大,因此利用空间密度信息改进目标函数公式。在KNN区间型数据集的基础上,提出一种新的密度计算公式,应用到区间数据集,将密度信息加入目标函数公式进行改进,进而进行区间型模糊C均值聚类算法分析。在迭代过程中,密度信息不断调整优化聚类中心。一定程度上改善局部最优问题,提高聚类的准确率及聚类性能。本文选取UCI数据库Iris、Breast和Bupa数据集,以及合成有规律数据集ONE和无规律数据集TWO,在不同的缺失率情况下与WDS-FCM、PDS-FCM、OCS-FCM等算法进行聚类分析。通过对聚类平均错分数以及五种外部评价指标进行实验结果对比,证明本文算法有更高的聚类准确率以及更优的聚类效果。