聚类算法是指按照“物以类聚,人以群分”的思想,将数据集划分成簇,使得簇内样本之间的相似性尽可能的大,同时,簇与簇之间的相似性尽可能的小。聚类算法已经在工程学、经济学、社会科学等领域得到广泛的应用。现有的大多数聚类算法只能处理数值属性或分类属性,无法满足现实数据挖掘的需求,而且,处理混合属性的聚类算法虽然已经得到研究,但是存在着一些问题:混合属性之间的相似性测量不合理;混合属性之间可能存在冗余信息。针对上述问题,本文在研究分析了现有的聚类算法的基础上,提出了基于特性比较的混合属性聚类算法和基于主成分分析的混合属性聚类算法,并使用UCI数据集通过实验验证了算法的有效性。论文的主要内容如下:首先,介绍了聚类分析的意义、研究现状和聚类分析的五个维度,并且,着重从相似性度量和算法思想两个角度对现有的聚类算法进行了分类。其次,研究了现有的混合属性聚类算法的缺点,针对现有的混合属性相似性度量方法无法处理多概念之间重叠的问题,本文基于提出的特性比较函数,设计了新的混合属性相似性度量方法,结合划分式思想设计了混合属性聚类算法,通过实验验证了算法的可行性。再次,针对混合属性数据集中的数据集冗余问题,在综合分析了现有的相关性计算方法之后,提出了分类属性与数值属性相关性计算方法,通过创建混合属性相关矩阵对混合属性数据集进行了主成分分析,进而提出了基于主成分分析的改进混合属性聚类算法并通过实验验证了算法的正确性。最后,对改进的混合属性聚类算法进行了实际应用。针对客户细分中由于筛选过程中刻意避免出现混合属性而导致的评价不全面的问题,重新建立了客户评价体系并选取了客户属性,进而采用混合属性聚类算法来对客户群体进行细分,并且针对不同的客户群体提出了相应的营销策略。