聚类分析在数据挖掘理论和应用中都是一个非常必要的部分，是一种数据划分或分组处理的重要手段和方法。到目前为止，已有大量的数据挖掘聚类算法被提出来，其中很多聚类算法都有非常成功的应用。但是，它们主要继承多元统计分析学和模糊数学的结论，即主要是基于距离和阈值的各种聚类算法和改进算法。很多时候需要人为干预，需要行业知识、领域专家等因素的介入，大多数算法对混合型属性数据力不从心。尤其在商务决策、市场分析、刑侦破案、知识发现、生物学、Web文档分类等领域，需要新的适合于混合型属性数据的聚类算法，本课题就是在此背景下被提出来。 论文首先研究了具有代表性几种多维聚类算法，比如，硬聚类划分、软聚类划分和可能性聚类。这些算法一般最终都必须引入一个阈值才能确定类别，而实际上，这种阈值往往没有一个标准，这为用户增加了灵活性，但也增大了它的随意性，这正是此类算法的缺点所在。为此，提出了新的基于划分的聚类算法，本算法基于这样的核心思想：具有许多相同主要属性的有效集合是比较相近的，大致可以划分一类，即“并发最大化原理”；同时，对于某个特殊属性(标记)具有相同值的集合之间可能存在很大的相似性。即“类标最小化原理”；明确属于某个集合的子集，与原集合是一类的。但数据库(数据仓库)中的元组，可能同时属于多个集合，这正是算法的难点所在。本文利用求关联规则中的频繁项目集的算法作为辅助手段，来判断子集最大可能隶属于的集合，即“隶属度原理”；以及子集合与父集合之间的继承关系，即“继承原理”。本算法主要基于以上几个基本原理，实现半模糊化聚类。通过理论证明和实验表明，该算法是有效的，比K-means划分方法更能确定出有效的类别。本算法实现全局最优，对数据的输入顺序不敏感，实现的是动态聚类，对于高维数据的聚类是有效的，对领域知识的要求最小化。本算法是数据挖掘中聚类分析理论的进一步探索，尤其是对多维混合型属性数据的聚类。