随着互联网的快速发展,网络社交已逐渐成为一种生活方式,人们在网络中的交流互动,使得网络与人、机高度融合,因此网络中蕴含了大量潜在的行为信息。研究校园网络用户行为,对校园网络建设、学生动态的关注以及网络服务都具有重要意义。面对海量数据,及时准确地从中探索数据背后隐含的行为,发现可利用的规律,是近几年的研究热点,数据挖掘的聚类算法为行为分析提供了行之有效的方法。本文重点研究了模糊C-均值聚类算法,自组织神经网络算法以及密度峰值聚类算法,以校园无线网络数据为数据源,对算法进行改进,并探讨了其在校园无线网络用户行为分析中的应用。首先,对校园无线网用户的学习兴趣度行为进行了分析,提出了将模糊C-均值聚类算法与自组织神经网络相结合的算法。该算法避免了模糊C-均值聚类算法初始化不当带来的误差,也解决了自组织神经网络准确率较低的问题。数据实例的实验计算结果分析表明,应用本文的求解算法,可以得到学生整体的学习兴趣度,同时能够有效地减少迭代次数,提高了聚类结果的准确性,在行为分析中具有较明显的优势。然后,本文对校园无线网用户的轨迹异常行为进行了分析,提出了基于轨迹分割的密度峰值聚类算法。该算法采用基于速度、方向的轨迹分割算法进行预处理,避免了长轨迹不易检测的问题。同时,考虑到轨迹数据分布多样化的特点,采用密度峰值聚类算法可以对非球体分布数据进行聚类,具有更好地准确性和稳定性。实验结果表明,该算法在运行时间不显著增加的情况下,比K-means聚类算法和隐马尔可夫模型具有更高的准确率,同时,可以对任意形状分布的数据进行聚类并且受异常点的影响较小,更易于探测出异常轨迹。最后,本文针对单机无法高效地处理海量数据的问题,搭建了Hadoop分布式平台,并对主要模块的设计方案进行了详细地阐述,同时设计了学生用户行为分析模型,改进分析算法,通过对预处理过的学生用户无线网络数据进行多次实验,分析学生出勤率,感知学生学习兴趣度,挖掘学生异常轨迹,对本文提出的算法进行了性能评估。实验结果表明,本文提出的聚类算法并行运行在集群中具有较大的优势,明显地降低了运行时间,提高了运行效率,同时,可以比较准确地对学生行为进行评估,通过信息化的方式为高校的管理提供了帮助,为解决类似问题提供了参考依据。