现在的我们生活在数据时代,数据已经处在我们身边的每一处,且以爆炸式的的方式在增长,甚至已无法计算,那么如何从这么多数据中获取我们所需要的潜在有用得到知识,来帮住人们做出准确的判断,此时我们就有必要来挖掘这些数据。在数据挖掘中,比较重要的一种数据分析方式是聚类算法,其在研究领域十分受到研究者的青睐,但还是存在一些缺陷,这就需要更进一步的改进算法来弥补这些不足,且对解决社会实践中遇到的难点也具有非比寻常的价值。本文主要以传统聚类算法中的相似度测度为基础,探讨了以欧氏距离作为相似度测度对一些特殊数据集聚类时的不足,主要讨论了现已提出的基于流形距离为相似度测度对特殊数据集聚类的优势,当然也存在缺陷,在这里就更进一步研究了粗糙集、蜂群算法等的实质,并在此基础上作改进然后与改进的流形距离相结合,以改善原来算法的性能。主要工作如下:(1)针对K-means算法的初始聚类中心随机选取,将流形距离作为相似度测度时其参数在表现数据集的全局一致性方面有缺陷等问题,本文引入粒计算理论中的知识,对数据集的属性进行划分,随后根据最大最小距离的方法选取代表点;然后再利用流形距离及准则函数得到最佳的初始中心并得到最终聚类结果。实验结果表明:该算法在运行时间上减少了并在数据的全局一致性上得到了很好的体现。(2)现在提出的以流形距离为相似度测度的聚类算法主要是针对具有“绝对流形”分布特点的数据集聚类,没有考虑到这种分布为“相对流形”的数据集,于是本文根据粗糙集的特点,首先对数据集的属性进行划分然后根据最大最小距离来选择聚类中心,再在粗糙集中,用流形距离代替欧式距离对数据集进行聚类。实验结果表明:该算法对“相对流形”数据集具有较大的改善。(3)为改进原有的基于流形距离的聚类算法性能,本文将改进的流形距离作为相似度测度,并结合人工蜂群算法,对数据集进行二阶段聚类。算法首先由局部密度、近邻选择等对数据集粗归类,然后通过改进的蜂群算法对数据集精归类。实验结果表明:数据集聚类效果得到很大的提升。