本文先给出了随机向量间的相关性度量:简单相关、复相关、典型相关和广义相关系数的叙述。它们均为刻画两个随机向量(或变量)间的线性相关程度,而不能解决刻画多个(特别是多于两个的)随机变量构成的随机向量的内在的相关性。S. Kullback1959年提出的判别信息量,直接去度量两个密度之间的差异,用它引出的随机向量的内在相关性的度量,与以往的相关系数不同,它的大小可以到达无穷,能够更细致的区分相关性。并它是一种内部的相关性,可以是非线性的。本文利用判别信息量来刻画两个随机向量间独立性的度量,进而由阿达玛不等式得到随机向量内在的相关性的度量。并用它改进了指标聚类的一种方法。在这里我们解决了如下两个问题,第一,在技术上引进惩罚因子,以解决当一个随机向量的分量增多时随机向量内在相关性度量随之加大,而无法用它来比较大小不同的两个随机向量的内在相关性的问题。第二,在理论上,改进的指标聚类方法,缺乏并类距离的单调性,为此我们证明了,在很一般的条件下,并类距离的单调性是满足的。作为应用,我们根据2005、2006年7-10月对塔里木河(简称塔河)下游断流区6条样带38块样地外业调查数据,用改进了的指标聚类的方法,对塔河下游的物种进行分类,并与传统方法的聚类结果进行比较,说明用两类所含所有指标间的内在相关性度量对指标进行分类,比传统的从简单相关阵出发,对指标系统聚类的方法要精细、准确。