聚类分析方法按一定的距离或相似性测度将数据分成若干不同的组,由此发现整个数据集合的分布、结构与模式。根据学习方式的不同可将聚类算法分为两大类:有监督聚类和无监督聚类。监督方法的分类精度通常较高,但它的结果直接依赖于所选取的训练样本,为此需要大量高质量的有标记样本,这在一定程度上限制了其应用;而且确实在很多实际应用中由于缺少形成模式类过程的知识,人们往往只能用没有类别标签的样本进行工作,即非监督分类方法,但它得到的结果通常很难令人满意。针对这种情况,本文将非监督和监督分类方法结合起来,提出一种基于K-means和SVM模型结合的全自动分类方法,主要工作总结如下:(1)对无监督聚类算法进行了讨论,着重介绍了K均值(K-means)和模糊C均值(FCM)算法,并进行了实验对比。(2)对支持向量机算法进行了深入研究,结合无监督聚类和监督分类方法的优点,提出了一种K-means和SVM结合的混合模型,Iris、Wine和遥感数据实验结果验证了混合模型的有效性。(3)深入研究了K-means算法,利用粒子群和量子粒子群算法对其进行了改进, Iris、Wine、Breast cancer和遥感数据实验结果显示了改进方法的优势。(4)将改进的K均值算法与SVM算法结合,Iris、Wine和遥感数据实验结果进一步验证了混合模型的可行性。