聚类分析是数据挖掘领域最为重要的技术之一，也是学术界研究的热点问题，至今已在理论和方法上取得了丰硕的研究成果，并在各个领域的数据分析中起到重要作用。在众多的聚类算法中，基于划分的K均值聚类算法最为经典，应用领域广泛。模糊C均值算法属于其中的一个变种，保持了其思想简单易行的特点，时间复杂性接近线性，对大规模数据的挖掘具有高效性和伸缩性。为了解决多维数据集中对象之间的基于欧式距离度量的相似性度量差别不是很明显的问题，提出了基于变异系数的模糊C均值聚类算法。算法采用变异系数加权的欧式距离，引入了基于最大距离选取质心的方法初始化质心，使用KNN距离之和的倒数作为对象的密度并过滤掉离群点和噪声点，在高密度对象中选取最大距离的对象作为质心，使用加权的欧式距离计算隶属度矩阵并根据隶属度更新质心的位置。实验结果表明该聚类方法比一般的模糊C均值方法聚类结果更好，实际效果优于一般模糊C均值方法。为了提高混合属性数据集上的聚类精度问题，提出了一种基于加权模糊C均值的聚类算法。权值由数值属性和分类属性的距离之和计算，算法在数值属性上随机选取质心，使用加权的距离计算隶属度并根据隶属度更新数值质心的位置；在分类属性上，依据初始数值质心划分的簇确定初始分类质心，将每个对象的分类属性划分到其隶属度最大的分类质心，并以所属簇内对象每个属性上出现的次数的集合作为质心。实验结果表明该算法可以发现数值属性和分类属性的混合数据集中的簇，与现有的同类算法相比，准确度有一定提高。