图像分割是根据有关特征对图像的不同区域进行划分,精确的分割对图像语义分析具有重要的意义。鉴于图像分割和基于划分的聚类方法所具有的共性,以及图像分割中实际存在的区域边界模糊化的问题,模糊聚类方法目前已成为实现图像分割的一类有效方法。但传统的模糊聚类方法由于只考虑了图像的像素强度对分割结果的影响,比较容易受到噪声影响,从而造成分割结果的不准确。引导滤波（Guided Filter,GF）方法由于可以有效去除噪声且能够保持图像边缘信息,而被应用于模糊聚类中,在聚类过程中使用引导图像对隶属度进行滤波,借助图像像素的空间位置信息,从而实现更精确的分割。但是该方法并不适用于一般数据聚类,其原因在于一般数据样本之间并不具备图像像素那种明显的位置关系。为此,本文提出了一种用于一般数据的基于引导滤波的模糊聚类方法,利用数据样本的邻居关系定义一种新的滤波窗口,有效去除一般数据中的噪声且保持数据不同类的边缘信息,从而进一步提升聚类效果。本文的创新性工作和成果如下。（1）利用数据样本邻居关系设计新的滤波窗口,提出了基于引导滤波的一般数据模糊聚类（G-FCM）算法。引导滤波是基于滤波窗口的,图像滤波窗口的选取是基于像素位置关系的,但一般数据并不具有如图像像素的位置关系。因此本文利用数据样本邻居关系来定义新的滤波窗口,让一般数据也具有空间信息。同时基于新的滤波窗口,改进图像引导滤波方法使其适用于一般数据,并确保滤波处理后的隶属度的正确性。实验结果表明在模糊聚类的过程中引入引导滤波方法可以有效提高一般数据聚类的性能。（2）设置数据属性权重凸显不同属性对于聚类的重要性,提出了基于属性加权引导滤波的一般数据模糊聚类（WG-FCM）算法。在彩色图像多通道引导滤波方法中,每个通道对滤波的作用是不同的。对应于一般数据,各个维度在滤波中发挥的作用也是具有差异的。因此本文在数据属性上增加权重设置,并通过熵正则化方法对权重进行优化以凸显数据不同属性对于滤波和最终聚类结果的影响。实验结果表明属性权重的引入可以进一步提高一般数据的聚类效果,并实现重要属性的提取。（3）引入核方法处理非线性数据,设计了基于引导滤波的一般数据核模糊聚类（G-KFCM）算法和基于属性加权引导滤波的一般数据核模糊聚类（WG-KFCM）算法。一般数据通常表现出非线性、异构的特点,前面提出的方法均是基于欧氏距离,不能有效的处理非线性数据。因此,本文扩展了相关算法,引入核方法,将原始的非线性数据映射到高维的核空间,以实现映射后数据的线性可分。实验结果表明这些方法在非线性数据聚类中取得了巨大的性能提升。（4）综合上述成果,设计了一个基于引导滤波的一般数据模糊聚类软件。该软件集成本文涉及的相关算法,并具备了数据集读取、算法选择、参数设置、结果显示和结果对比等功能。