模糊聚类算法是一种重要的数据分析方法，具有能客观地反映现实对象隶属关系不确定性的特点，近年来已成为数据挖掘理论体系中研究的热点，并且在众多领域得到了广泛应用。　　 但是，传统模糊聚类算法具有需要提前输入聚类个数和易于陷入局部极值的缺陷。针对上述缺陷，本文借鉴人工免疫系统的相关理论，探讨了一种基于人工免疫原理的模糊聚类算法。该算法引入种群规模迭代与模糊聚类迭代相结合的双迭代思路。其中，种群规模迭代通过比较种群亲和力均值，指导聚类数的生成。在种群规模迭代的每一代中加入模糊聚类迭代，用于指导抗体的生成、优化和抗原的聚类。并且将抗体克隆选择、抗体免疫抑制操作引入到模糊聚类过程中。抗体克隆选择操作扩大了算法搜索范围，提高了算法的搜索能力，在一定程度上保证了抗体群的多样性，防止算法陷入局部最优。抗体免疫抑制操作通过删除分布过于集中的抗体，避免了由于抗体分布过于集中而出现的同化现象。　　 在此基础上，本文以高尔夫球场管理系统为项目背景，展开算法在客户关系管理方面的应用。基于球场客户数据，本文探讨了客户分群和客户消费模式两方面的客户关系分析，通过数据预处理、聚类分析、聚类结果解释几大过程，分析了客户及其消费特征,为球场运营提供决策支持。　　 理论分析与仿真结果表明了该算法可以有效地搜寻到正确的聚类个数，在很大程度上解决了传统模糊聚类算法需要提前输入聚类个数和算法易于陷入局部极值的问题。高尔夫球场客户分群和客户消费模式分析结果表明该算法具有一定的应用价值。