在当今科技飞速发展的时代,人工智能成为核心领域之一,机器学习和数据挖掘逐渐影响着人们的生活,很多科技产品都是在此基础上的应用与研究,如指纹或人脸识别考勤设备、汽车无人驾驶、高级智能化机器人等新技术,这些利用信息科技推动发展的新技术使人们的生活和工作变得更加方便和高效。在众多的领域中,聚类分析是一类重要的应用技术,将粗糙集应用在聚类分析上也是当前研究的热点领域。本文首先对常用的度量方法进行介绍和总结,分析了不同度量方法的优势特点以及应用领域。针对已存在度量方法的不足,结合邻域粗糙集理论的思想,提出了基于邻域粗糙集理论的度量方法,同时对该方法的特性、背景以及应用场景进行深入的分析。本文将该度量方法应用在智能算法以及聚类分析上,提高了原始算法的性能。本文的主要工作如下:(1)提出了邻域粗糙集度量方法。首先,通过邻域粗糙集理论介绍了已有的度量方法。然后,利用邻域粗糙集中的近似集得到近似精度以及近似分类质量,通过近似精度、近似分类质量求出重要度、粗糙度从而提出邻域粗糙集度量方法。最后,通过实验得出该度量方法能够得到较好的结果。(2)将提出的基于邻域粗糙集理论的度量方法应用在粒子群聚类算法上,并利用大量实验进行验证。首先,对各种改进的度量方法进行分析和总结,挑选出具有代表性的度量方法进行对比。然后,在真实数据集和人工数据集上,针对不同的聚类评价指标和不同的度量方法进行实验。最后,分别在两方面对聚类结果进行比较分析,包括不同算法使用相同的度量方法和相同的算法使用不同的度量方法。(3)将提出的方法应用在密度峰值聚类算法上。首先,对该度量方法应用的背景以及应用场景进行研究分析。其次,详细分析了 DPC算法存在的缺陷,即:DPC中的方法使用清晰的邻域关系来计算局部密度时,不能从距离上识别出不同点的邻域隶属度,另外对不平衡数据以及多峰值数据进行聚类时得不到理想的结果。最后,将具有代表性的数据集利用不同的聚类评测标准进行实验。