随着人们进入信息时代的同时人们也在不知不觉中进入大数据时代。数据对人们的生活、工作起着愈发重要的作用,但是在数据采集过程中由于噪声、数据采集失败等原因经常造成采集数据的缺失,造成不完整数据集。传统的期望最大化,加权估计方程,K-近邻等方法不能满足现在聚类精度的需要,怎样提高不完整数据的聚类精度一直是广大国内外学者关注的热点问题。首先,本文针对模糊C均值算法(FCM)无法直接处理不完整数据的问题,提出一种自适应区间的不完整数据模糊聚类算法(AI-IFCM)。提出属性相关度距离计算待填补数据样本和其他样本之间的距离来确定缺失数据样本的邻近样本集,最近邻样本的数量由最近邻规则选取,得到近邻样本集的属性值范围作为缺失数据属性区间化填补的上限和下限,区间默认中值为缺失属性对应近邻样本值的中值,为进一步减小区间对模糊聚类的误差提出区间因子来调节区间大小,计算近邻样本之间的分散度和中心值确定区间因子,计算后区间数据集代入区间模糊C均值(IFCM)进行聚类分析。其次,针对样本离群点影响模糊聚类准确率的问题,本文提出了一种针对不完整数据的区间样本加权模糊聚类算法(AI-WIFCM),为体现样本对聚类中心的贡献程度,在算法的迭代过程中加入了样本权值。本文首先发现了传统样本权值赋予的局限性,提出一种新的样本权值赋值方法,其次算法在自适应区间型数据集的基础上,把样本权值的计算扩展到区间型数据集,并对区间模糊C均值进行改进,在算法的迭代过程中引入区间数据样本的权值,有利于聚类中心的选取,增加了聚类的准确率。最后,本文采用了UCI数据库中的生物数据集鸢尾花Iris、医疗数据集乳腺癌Breast和医学数据集成年人肝病Bupa,以及人工生成了有规律的数据集ONE和没有规律的数据集TWO。在四种缺失率的情况下和WDS-FCM、PDS-FCM、OCS-FCM等算法进行实验,并对算法的原理进行了分析对比,结果证明本文算法有更高的聚类准确率。