伴随Internet迅猛发展的是呈指数级别增长的海量信息数据,对这些海量的数据中寻找对用户有用的信息成为一个重大的挑战,数据挖掘技术在此背景下应运而生并成为信息处理和数据技术领域的一个非常热门的研究方向。数据挖掘的目的是从海量数据中以一种人可以理解的结构抽取有用知识的过程,它涉及到数据库和数据管理、数据预处理、建模及推理、复杂度衡量、可视化、在线更新等等环节和过程。聚类分析是数据挖掘中的一个重要方法和手段,它指将物理或抽象对象集合依据对象间相似性分组为不同类别的分析过程,该方法广泛应用于数学、统计学、生物学和经济学等领域。本文对数据挖掘中的聚类技术进行了分析和讨论,系统介绍了各种聚类算法及关键技术,然后在对k-means和SOM算法的基本原理进行分析的基础上,本文给出了两种改进算法:一种是基于初始值优化和外围点消除的改进k-means算法,该改进算法有效克服了随机选择初始中心点造成的结果不可控性,提高了k-means算法对存在聚类重叠场景的适应性;一种是NOV-SOM算法:该算法通过对标准SOM算法中的每个节点单元以函数模块的形式进行替换,将其有效扩展到了非向量数据的处理中。最后,为了测试本文提出的聚类算法的性能,本文用改进k-means算法和改进SOM算法分别进行了验证实验,并对两种算法与传统算法的聚类结果进行比较,实验结果表明改进算法提高了聚类精度和收敛速度,其性能优于基本聚类算法。