数据挖掘是在海量的数据中提取隐含的、未知的、潜在有用的知识或信息模式的决策支持方法。在信息爆炸的今天，数据挖掘显得尤为重要。聚类分析是数据挖掘中的一个重要研究领域，它从数据库中寻找数据间的相似性，从而优化大规模数据库的查询和发现数据中隐含的有用信息和知识。　　 模糊C-均值聚类(FCM)算法是一种经典模糊聚类分析方法。但由于模糊聚类目标函数是一个非凸函数，算法容易陷入局部极值点和鞍点而得不到全局最优模糊划分。现有模糊C一均值聚类(FCM)算法都没有有效的解决这个问题，本文提出一种新颖的基于网格和密度的模糊C-均值聚类方法，先利用网格和密度找到样本的初始化聚类中心，然后在初始化聚类中心上进行聚类。大量实验分析表明：该算法与经典FCM聚类算法相比收敛速度更快，迭代步数更少，解决了容易陷入局部极值点和鞍点的问题。