矿井提升机故障诊断对煤矿安全生产至关重要。提升机故障诊断的方法有很多，模糊C均值方法和谱聚类是两种典型方法。传统模糊C均值方法因随机中心的不确定性而容易陷入局部最优，而传统谱聚类则需要人为地确定聚类数目，对初始聚类中心敏感，且鲁棒性较差。数据场模型作为一种描述数据对象间非接触相互作用的数学模型，能够很好地揭示数据对象的聚类特性。各种提升机故障数据间不孤立，而是存在相互的作用与联系。本文将数据场模型引入到模糊C均值方法和谱聚类方法中，借助数据场模型的优点改善两种算法存在的缺陷与不足，提高故障诊断的性能。提出基于数据场模型和模糊C均值的聚类算法。该算法在构建提升机故障数据场的基础上，利用故障点在数据场中的势值找出噪声点并剔除，并利用故障点在数据场中呈现的自然聚集特性选择初始聚类中心，指导模糊C均值聚类，优化聚类性能。对Aggregation数据集实验结果表明，基于数据场模型的模糊C均值的聚类算法能够有效避免传统模糊C均值方法存在的缺陷与不足，提高故障诊断的性能。提出基于数据场模型和谱聚类的聚类算法。该算法利用数据场模型对传统谱聚类的相似度矩阵构造进行适当调整，借助数据场模型给出谱聚类算法的k值和初始聚类中心点，最后利用K-means聚类算法进行聚类划分。对Iris数据集、Wine数据集和Zoo数据集的实验结果表明，基于数据场模型和谱聚类的聚类算法能够有效提高谱聚类算法的稳定性与准确性。将基于数据场模型和模糊C均值的聚类算法、基于数据场模型和谱聚类的聚类算法应用到提升机故障诊断中。对真实提升机电机故障数据和轴承故障数据的实验结果表明，两个算法能够有效提高提升机故障诊断的性能。