随着大数据和人工智能的快速发展,数据也随之变得愈来愈复杂,人们开始对这些多样的数据展开研究。正因为数据的多样性,不确定数据也随之衍生出来。数据的不确定性主要包括两方面,一方面是数据自身的不确定性,另一方面是数据属性级别的不确定性。本文主要针对确定数据和不确定数据做了相应的研究。首先针对确定数据在聚类时随机选取数据作为初始聚类中心以及对初始聚类中心敏感的问题,提出了一种新的模糊C均值聚类算法。然后针对空间属性不确定数据进行研究,提出了一种处理不确定数据的模糊聚类算法。针对模糊聚类算法中的模糊C均值聚类方法在选取初始聚类中心时随机选取数据,同时对初始聚类中心敏感的问题,提出了一种新的基于成对约束方法的模糊聚类算法。首先,该算法引入了成对约束方法来判断数据集中数据的关系。其次,根据成对约束的两个推论,将原始数据集中的数据分为多种不同的初始类簇。然后,引入模糊熵的方法,对目标函数进行改进,得到一个新的目标函数,最后对新得到的目标函数Lagrange数乘法得到聚类中心函数以及隶属度函数,从而确定聚类中心点,完成数据的聚类。实验结果表明,本文所提的算法与实验对比算法相比较,本文的算法具有较好的聚类效果以及准确性。为了有效解决基于空间属性值的不确定数据,在基于传统的模糊C-均值聚类算法的基础上,提出了一种基于成对约束的不确定数据模糊C-均值聚类（PC-UFCM）算法。首先,通过KL-距离来计算不确定数据对象的相似度,然后根据成对约束的方法,将原有的数据集划分为多个不同类别的簇。其次,利用局部密度和k-最近邻方法将不确定数据对象确定化,对簇中的数据进行初始聚类中心的筛选。最后,引入不确定数据的期望距离,对传统的模糊C-均值的目标函数进行改进,构造一个新的处理不确定数据的目标函数,得到最终聚类中心,完成不确定数据的聚类。实验结果表明,本文提出的算法具有良好的聚类效果,同时在不确定数据聚类时准确性较高。