聚类分析是数据挖掘中的一个重要研究领域,是一种数据划分的方法,在数据挖掘、统计学、机器学习、空间数据库技术、生物学和市场学等领域有着广泛的应用。聚类算法可以分为基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法和基于模型的方法。本文重点对层次聚类算法进行了分析和研究,并给出了层次聚类算法存在的缺陷,在分析Chameleon聚类算法的基础上,提出了一种基于动态近邻选择模型的Chameleon算法。社团结构是许多实际复杂网络中的一个重要特征。寻找和分析社团结构有助于更好地了解网络的内部结构,分析网络的性质。目前,人们已经提出了很多算法用于寻找复杂网络中存在的社团结构,本文将改进的层次聚类算法应用到复杂网络社团发现。论文的主要工作如下:(1)分析了现有的层次聚类算法,并着重介绍了BIRCH算法、CURE算法、ROCK算法和Chameleon算法,并比较了这些算法的优缺点。(2)在分析Chameleon聚类算法的基础上,提出了一种基于动态近邻选择模型的Chameleon算法。新的算法考虑了回溯机制,有利于合并之后的分解。在标准数据集Wine和Iris上的实验表明,DNMC算法的f_a指标优于M-Chameleon算法。通过计算各个属性的差异度,显示出一些属性的存在对于聚类结果影响很小,删除这些属性列可以降低时间复杂度。(3)简单介绍了复杂网络社团发现的主要算法,将改进的层次聚类算法应用于社团发现,取得了良好的效果。