聚类分析是数据挖掘领域中的一个重要分支,在分析数据内部结构方面有着重要的应用。聚类分析是一种无监督学习的分类过程,旨在将没有标记的样本数据通过算法自动划分为有意义的组或簇。当数据分到同一组中时,所有样本数据的内部结构相似度很高;当数据分到不同组时,数据内部结构的相似度很低。聚类分析技术能够快速的发现样本数据的分布情况,而且可以揭示空间样本的分布规律,预测空间样本对象的发展趋势等。针对聚类分析技术,本文的主要研究了如下几部分内容:首先,针对UK-means算法在处理不确定数据时对孤立点非常敏感,而且事先必须已知不确定数据的分布函数或概率密度,然而这在实际中往往很难获得等问题,提出了基于区间数的PAM不确定聚类算法:U-PAM;此外,基于U-PAM算法和CH聚类有效性指标函数对聚类结果分析,确定最佳聚类数。其次,介绍了基于传统DBSCAN聚类算法的UM-DEBSCAN聚类算法,该算法将传统的DBSCAN聚类算法和区间数相结合,利用统计学知识将不确定测量数据转化为确定数据,然后再结合DBSCAN聚类算法实现对不确定数据的有效聚类。该是基于密度的聚类算法,因而可以实现对任意形状簇集合的有效聚类;最后,介绍了海量不确定数据的聚类算法:基于划分的UM-PAM算法,旨在完成对海量不确定测量数据的有效聚类;此外介绍的基于UMC-DNSCAN聚类算法,可以对任意形状的海量不确定数据进行有效的聚类。