数据挖掘是数据库研究、开发和应用最为活跃的分支之一,自提出以来就一直受到广泛的关注。通过数据挖掘,人们可以从海量的数据中获取大量隐藏的有价值的、潜在的知识。聚类分析作为数据挖掘的一个主要功能和任务,已经被广泛的研究了多年并取得了大量的成果,积累了一系列的理论知识和方法。随着数据库技术的飞速发展,各行各业中的信息数据也急剧地增长,而且数据的类型也由单一的数值型、文本型逐渐转变成混合型,这就对聚类分析技术提出了新的要求。从已有的文献来看,能有效处理混合型数据的算法相对较少。基于这一现状,本文重点研究了面向混合型数据的聚类算法,同时对其在医疗诊断系统中的应用进行了探讨。本文对已有的算法进行了研究比较之后,提出了一种基于格论的聚类新算法——CBL算法。该算法将整个数据空间划分成若干个格,通过数据对象之间格的覆盖数来度量他们的相似性,将对象划分到最相似的簇。实验结果表明,新算法能够有效地提高聚类的精度,尤其是在处理混合型数据的方面。针对所提出的新算法,本文还对算法参数的优化进行了深入研究:(1)基于遗传算法的思想,以聚类质量为标准设计适应度函数,对聚类数目进行优化,优化后的聚类数目与真实聚类数目极为接近;(2)根据新算法的特点,结合基于距离的聚类初始中心的优化方法的理论,提出了一种基于格的覆盖数的聚类初始中心点的优化方法,优化初始中心点后精度得到进一步的提高。最后以文章中提出的新算法为基础,设计出了应用于大肠早癌诊断数据处理系统聚类分析器的系统结构,并实现了相关功能。