随着世界经济文化和科学技术的不断发展,聚类分析在许多行业中得到了广泛的应用,尤其是医疗行业。由于医疗器械的现代化,使得人们获取数据资料变得越来越便利,对数据的研究也越来越深入。为了从这些复杂的数据中获取有利的信息,我们必须找到一种高效的数据分析方法。于是高维空间数据的聚类分析开始变得越来越重要。通过聚类的方法发现数据本身固有的分类规则,我们才能够更好地处理数据。首先,本文详细介绍了聚类有关概念,聚类算法需要满足的条件,以及聚类过程中会定义的两种相似性度量。除此之外,依据聚类的原理,我们可以将聚类分为以下几种：基于层次的聚类,基于划分的聚类,基于模糊的聚类等等。其次,本文着重对典型聚类算法进行了一定的介绍。例如：系统聚类法、K-means聚类法、模糊C均值聚类法等。主要阐述了系统聚类法的基本概念以及基本思想,K-means聚类法的基本理论,模糊C均值聚类法的理论知识。最后,我们进行了实证分析,选择了几种不同的聚类分析算法。比如,系统聚类法、K-means算法、基于模糊C均值的K-means算法。通过这些方法来处理本文收集的62名正常人的大脑静息态功能性磁共振成像数据,主要是对正常人的90个脑区进行聚类。然后将聚类结果与事实上的ALL模板脑区进行比较,看是否与事实相符。综合几种不同的聚类算法,最后得出最优的聚类结果,以及确定正常人90个脑区能否通过聚类得到一定程度的区分。事实证明,通过聚类的方法来对人的90个脑区进行分类是比较困难的。但是其中的某些脑区,不论采用哪种聚类算法都可以很明显的分为一类,换而言之,如果进行大致分类的话,可以得到某种模糊的结果,但是如果再接着往下细分就非常困难了。