随着信息时代的不断发展,数据也不仅仅是确定性数据和元组、属性值等不确定性数据。符合人类“犹豫不决”性格的数据所占比重越来越大,这种数据本身就具有不确定性,因此无法用一个确定的值或确定值存在的概率来简单的描述。犹豫模糊集合则适用于解决此类犹豫模糊问题,在现今犹豫模糊数据飞速产生的背景下,犹豫模糊集相关聚类算法具有很高的研究价值。本论文则针对当前一些犹豫模糊聚类算法存在的一些问题,进行了如下研究工作:1.统一了犹豫模糊聚类相关的概念定义。现有的相关研究中对于犹豫模糊集的相关定义,有部分学者只是给出了语言描述,但是并未给出形式化的定义以及数学表达;有的更进一步,给出了其数学表达的定义,但是该定义并不便于解决聚类问题。有鉴于此,本文会对数学符号以及数学公式进行统一的形式化描述,以便有效地解决聚类问题。2.提出一种基于数据集本身信息的权重公式和新的簇中心更新公式。原有的犹豫模糊层次聚类算法没有考虑犹豫模糊集对权值的影响,现有的研究中对于计算权重主要是通过平均分配原则进行计算或是直接给出具体的数值,缺乏合理的权重计算方法,本文根据数据集本身信息定义了数据集权重公式,同时定义了新的簇中心的更新公式,避免在簇的融合时形成的新簇中心犹豫度指数级的增长。3.提出一种凝聚中心犹豫度恒定的模糊层次聚类算法。针对原有的犹豫模糊层次聚类算法中存在的高时间复杂度和高空间复杂度以及算法在解决现实生活中的问题时可能无法得到理想的效果等问题。本算法则采用了新的权重公式以及簇中心的更新公式,配合形式化的犹豫模糊聚类概念的定义,使得算法在迭代过程中保证其在时间复杂度和空间复杂度具有线性级的改变,同时聚类的质量不低于原有的算法,可以有效地解决现实生活中犹豫模糊数据聚类的问题。4.提出一种自适应犹豫度的模糊层次聚类算法。算法在凝聚中心犹豫度恒定的模糊层次聚类算法的基础上做了扩展和优化。在保证降低原算法中时间复杂度和空间复杂度的基础上,对簇中心的计算公式进行了重新定义,使得簇中心的犹豫度可以自动确定,最大程度上保留了原始犹豫模糊对象集的数据信息,在处理犹豫度较大的犹豫模糊集时具有较好的鲁棒性。