聚类分析是非监督模式识别的一个重要分支。由于模糊聚类分析可以处理分类中不确定性样本,更能客观地反映现实世界,从而成为聚类分析研究的主要方面。模糊聚类己经被广泛应用于模式识别、数据挖掘、图像处理等许多领域。本文主要针对模糊聚类分析中模糊c均值聚类算法进行研究,在初始聚类中心的选择上进行了改进。模糊c均值聚类算法是在将样本数据预先划分为指定c类和确定收敛条件的基础上,以最小化误差平方和函数为聚类准则。由于模糊c均值聚类算法聚类过程中依赖于初始聚类中心,初始聚类中心的合理选取将会减少计算过程的迭代步骤,使算法简单化。针对通常初始聚类中心随机选取的方式,本文提出一种利用点密度选取初始聚类中心的方法,由原来的随机选取转变为有目的的选取。通过对算法的聚类效果进行对比实验和分析,改进后的模糊c均值聚类算法简化了聚类过程中的迭代步骤,提高了计算效率。本文还针对区间型数据的模糊c均值聚类算法进行研究。由于模糊c均值聚类算法中涉及数据样本的复杂性,经常会出现待聚类信息的特征指标值估计不精确,常以区间数形式来表示待聚类数据的信息,模糊c均值聚类原始方法通常是针对点与点之间的距离来解决区间数据聚类问题。但是对于某些呈团状分布的区间型样本点集,在点集与点集的边界处经常存在着一些归属不明确的点,对于具有该类点的样本集仅利用点距离难以实现准确的聚类。本文通过对基于距离的区间型数据的模糊c均值聚类算法分析,提出了基于点密度函数作为权重的区间型数据模糊c均值聚类改进算法,增强了此类团状样本集边界点的聚类有效性。