聚类分析是认识事物的基本途径之一。通过聚类分析，可以更清楚的认识事物的本质特征。在化学化工中，经常需要对数据样本进行聚类分析。目前，聚类分析的方法主要有两种——统计聚类法和神经网络法。统计聚类法包括系统聚类法、动态聚类法、模糊聚类法、最优分割法等等。神经网络法是近年研究较多，发展较快的一种新的聚类方法。可以用于聚类分析的神经网络包括BP网络、模糊神经网络、自组织映射网络、自适应共振网络等。本文选取的神经网络为自适应共振(ART2)网络。该网络具有在学习新的模式时不破坏已存储的模式的优点，可以快速的识别已存储的模式，实现快速聚类。同时它还可以通过调整警戒参数协调网络的稳定性和可塑性。文中介绍了传统ART2网络的结构和原理，并对传统ART2网络的聚类特性做了机理分析。传统的ART2网络由于只把类模板作为聚类时检验相似度的标准，对输入模式的渐变不甚敏感，因而聚类性能不太理想。有鉴于此，本文提出了一种具有双向检测机制的ART2网络，该网络通过设置门限作为相似度检验标准，使聚类更加严格，提高了网络对渐变模式的敏感性。试验证明BM—ART2网络的聚类性能优于以往的ART2网络。 系统聚类法也是一种经常用到的聚类方法。它和神经网络各有优缺点。通过试验比较发现，系统聚类法稳定性好，受模式输入顺序的影响小，聚类精度高，但时间和空间消耗大，运算效率低；神经网络可以快速聚类，效率高，但容易受模式输入顺序的影响，聚类精度不如系统聚类法。因此，本文探讨将BM—ART2网络和系统聚类法相结合，共同实现化学模式的聚类。试验表明，二者的结合在聚类的效率和精度之间取得了平衡，同时可以通过凋整警戒参数协调效率和精度的关系。神经网络与统计聚类法的结合不失为一种有效的聚类途径。 文中还介绍了聚类分析的相关知识，对如何评价聚类结果以及聚类中可能出现的异常情况进行了探讨。最后提出了对今后研究工作的展望。