随着科学技术的快速发展,生活中产生了海量的数据信息,这给模式识别领域提出了巨大的挑战。聚类分析作为一种经典的无监督学习方法,是模式识别领域的一个热点问题,其目的是按照某种特定准则将相似样本分组到同一类别中,从海量数据中找到潜在的价值和规律。然而无线传感器网络（Wireless Sensor Network,WSN）、人口分布等应用场景需要充分考虑均衡问题,传统的聚类算法无法解决此类问题。因此平衡聚类受到越来越多的关注,其作为模式识别领域的重要分支,能同时满足高质量集群和集群平衡。针对软平衡聚类问题,本文主要研究和创新工作如下:1.深入研究无线传感器网络分簇路由协议中负载均衡问题是一个软平衡聚类问题。首先,探析无线传感器网络分簇路由本质上是一个聚类问题;其次,根据无线传感器网络存在的负载问题,引出平衡聚类分为硬平衡聚类和软平衡聚类;最后,设计软平衡聚类模型应用于无线传感器网络中。2.建立了一种标签分布熵正则的模糊C均值平衡聚类(Label Distribution Entropy Regularized Fuzzy C-means Algorithm for Balanced Clustering,FCMLDE)模型以及给出优化算法。首先,研究了模糊隶属度矩阵与标签矩阵之间的隐藏关系,设计了一个用于正则化模糊C均值（Fuzzy C-means,FCM）的平方损失项,并且受到标签分布设计平衡集群的策略启发,利用标签矩阵揭示的聚类分布信息,设计了一个用于平衡FCM的标签分布熵;其次,将传统FCM模型、平凡损失项以及标签分布熵相结合,建立一个软平衡聚类模型;最后,利用增广拉格朗日乘数法（Augmented Lagrange Multipliers,ALMs）,提出了求解模型的交替更新优化方法,并给出算法流程和复杂度分析。3.为了验证FCMLDE的有效性,通过六个平衡数据集和搭建模拟仿真环境进行平衡聚类的评估实验。首先,利用局部保留投影（Locality Preserving Projection,LPP）方法对原始数据进行降噪处理;其次,利用六个平衡数据集与其他算法进行对比实验,利用一些评价指标获得的图表,结果表明所提算法在聚类性能和平衡性能上均具有很好优势;最后,针对无线传感器网络,设置网络运行参数搭建模拟仿真环境,仿真分析表明,本文所提出的算法的平衡性能在网络生命周期、死亡节点数目和网络能量消耗等方面具有一定的优势。