聚类分析是一种重要的数据挖掘工具，在传统意义上，聚类是准确地将数据样本分到不同的类当中，这就是所谓的硬划分。但生活中的多种事物属性都存在着一定的模糊性，也就是说事物之间没有明确的判断依据,无法准确地进行事物的划分与判断,因此模糊聚类就发挥了自己的作用。模糊聚类分析是数据挖掘领域中的一个重要分支，在工程、计算机科学、生命和医学科学、社会科学和经济学等领域得到了广泛的应用。由于模糊聚类中的样本同时属于不同的类别，而且在各个类别的隶属度不同，这种不确定性反映了样本类属的模糊性，更能客观地反映现实世界，因此研究模糊聚类的算法及其应用具有十分重要的价值。Weka是新西兰Waikato大学开发的数据挖掘平台，它为数据挖掘领域研究者提供了多种分类、聚类和关联规则等数据挖掘方法，数据预处理功能，以及算法性能评估的多种方法。作为一个开源平台，Weka具有非常良好的扩展性和兼容性，有良好定义的数据结构和基本的统计接口，为开发者提供了一个非常便利的工具。本文主要从模糊聚类的现有问题中寻找有效措施，提高聚类结果的准确性，算法的稳定性和健壮性，减少人工的干预和对不同领域专业知识的依赖。因此，本文将基于和声搜索和谱分析的模糊聚类算法在Weka平台上实现了封装和应用，丰富该平台的聚类算法组合，扩大其使用范围。本文的工作和创新如下：首先，提出了全局动态自适应和声搜索自动模糊聚类（Global DynamicAdaptive Clustering Harmony Search K-Harmonic Means， GDACHSKHM）算法，它是基于和声搜索与KHM混合的元启发模糊聚类算法。GDACHSKHM利用了和声搜索的全局搜索能力，能够分析数据本身的特点来确定簇的数目而不需要任何先验知识，同时能自适应地找到问题的全局近似最优解。算法运行过程中，参数能够根据每次迭代的结果来更新其值而无需手动调整，减少了人工干预。经过实验证明GDACHSKHM具有良好的聚类效果和健壮性。其次，提出了谱差分进化调和K均值模糊聚类（Spectral DifferentialEvolution KHM，SPDEKHM）算法。该算法分为两步：谱映射和模糊聚类。谱映射实际上是Laplacian矩阵的特征求解过程，它将数据从原来空间映射到低维的解空间，减少了数据维数，让数据集的划分更加明显；映射过程中通过分析Laplacian矩阵的特征值梯度来自动确定簇个数。再利用DEKHM算法将映射空间的节点进行聚类，发挥DE和KHM各自的优点已达到最好的聚类结果。实验证实该算法在大多数的情况下能获得准确率较高的聚类结果。最后，将谱聚类的思想应用到复杂网络的社团结构检测问题中，提出了基于关联矩阵谱映射的自动社团检测（Correlation Spectral MappingAutomatic Community Detection, CSMACD）算法。该算法首先通过关联矩阵的谱映射将社团检测问题转换为聚类问题，再以模块度值为目标函数，通过DEKHM算法来寻找最优的社团数目和相应的网络划分方案。在模拟网络和真实网络上的实验表明CSMACD能够准确地分析结构复杂，社团大小不同的网络社团结构，具有良好的健壮性。