聚类之于数据挖掘就是对数据集中的数据应用某种方法进行分组，把具有相似性质的事情区分加以分类。聚类算法在数据挖掘算法中占有重要的一席之地，它被广泛的应用于各个领域，例如模式识别，模糊控制等等，因此越来越多的聚类方式被提出和深入研究。聚类算法通常被分为5类，有基于层次的聚类，基于划分的聚类，基于密度的聚类，基于模糊的聚类。模糊K-Means聚类算法于1981年由Beadek提出，它是一个基于划分的聚类算法，因为其效率高，可扩展性强，收敛速度快，被广泛的应用在数据挖掘中。但是算法中也存在一些问题：聚类中心的选择，和假定各维特征权值相同。在本文中，提出了一种改进的模糊K-Means算法。初始聚类中心的选择基于平均距离，算法主体加入了权重的思想，权重代表不同维度对划分的贡献不同，它考虑到整个数据集，数据的一个维度（属性值）的权值可以被当做对分类的贡献大小，贡献大的属性权值较大，反之较小。权重可以加快聚类过程，并得到更好的聚类结果。BIRCH算法是一种基于层次的聚类算法。它利用聚类特征(Clustering Feature,CF)，和聚类特征树(CF Tree)两个概念来描述算法过程。文章里分析了BIRCH算法的存在的一些问题，提出了基于密度和动态阈值的任意形状的聚类算法。算法将密度和阈值综合考虑，并在过程中动态改变阈值T以适应数据集特征的改变。算法的复杂度基本和BIRCH算法持平，但是在内存控制上由于动态控制了CF树，减少了消耗，任意形状的数据集也能接近DBSCAN的聚类结果。在软件和信息技术服务行业规模逐年扩大的今天，业内竞争十分激烈，每家公司的成本，营业额，利润等都在不断变化，由此给政府部分带来很多不便。为了方便管理部门掌握实时数据，并从大量数据中挖掘出潜在价值和有意义的发展趋势，为领导决策提供参考，指导产业健康、快速、有序发展，由部软件服务业司牵头，设计了利用改进的聚类算法，具备高效、交互的挖掘特点，同时与数据仓库紧密结合，切实满足用户实际应用需求，专门针对软件和信息服务业的数据挖掘系统。