随着大数据时代的到来,数据越来越成为各个行业极其重要的生产要素,如何有效地从海量数据集中挖掘出有价值的信息,已经成为众多学者积极探索的重要课题。聚类算法是一种十分重要的无监督学习算法,尤其是基于粗糙集、模糊集理论的软划分聚类算法在很多方面都取得了广泛应用。但在大数据背景下,面对海量数据,现有的聚类算法通常具有较高的时间复杂度。本文在充分学习和研究国内外聚类方法相关文献的基础上,介绍了从传统硬聚类方法到粗糙模糊聚类算法,对比了各个聚类算法的优缺点。将覆盖粗糙集中的相关族理论引入到一般的粗糙模糊聚类算法(RFCM)中,提出了基于相关族理论的粗糙模糊聚类算法(R-RFCM),即通过属性约简以期达到减少计算量提高效率的目的,而且通过数据实验证明了 R-RFCM算法的有效性和高效性。最后,将基于动态覆盖信息系统属性约简的核心思想应用到聚类过程中,达到一种动态聚类的效果,其极大地拓展了相关族理论在聚类算法中的应用。为了进一步论证本文提出的R-RFCM算法在应用领域中的重要作用,我们利用该方法研究了以中国股票市场上的上市公司财务状况,将结果分为预警、正常和无法确定三类,取得了不错的聚类结果,同时可以获得在聚类过程中相对比较重要的财务指标,进而为更深层次的数据挖掘工作提供了重要依据。