聚类是数据挖掘的重要研究方法,聚类效果的合理性与聚类个数的事先确定有很大的关系,有效性指标可以帮助人们合理确定最佳聚类个数。本文在对比分析现有经典有效性指标的基础上,提出了一种新的基于隶属比的聚类有效性指标,并实验验证了新指标的可行性。本文首先对聚类分析的理论知识进行了细致学习研究。学习了一些常用的聚类算法并分析其对应优缺点,鉴于模糊C均值（FCM）聚类算法是大多数有效性指标的基本算法,本文重点学习研究了其基本原理和算法步骤并分析其算法性能。其次,对聚类有效性问题进行学习研究,学习了有效性问题的相关理论知识,实验论证聚类个数的事先确定对聚类效果的重要性,深入研究了几种现有典型聚类有效性指标的基本原理,为下文新指标的提出奠定基础。针对模糊聚类需要预知最佳聚类个数的问题,本文提出了一种新的基于隶属比的聚类有效性指标V_new。首先根据经典有效性指标的设计思路,充分考虑数据集合的隶属度矩阵特征和数据集几何空间结构,通过重新定义类内距和类间距的方式,推导出基本的有效性指标;其次,定义隶属比的概念,放大基本有效性指标的计算值;最后,为了避免隶属比对有效性指标造成过分单调的影响而失去判定意义,引入分类个数c进行抑制。理论分析和仿真实验表明,通过对相同数据集进行分析处理,与对比典型有效性指标相比,新指标V_new具有更高的准确率和可靠性,在类间有重叠数据的情况下也能够做出正确的判断,具有一定的推广价值。