模糊聚类算法是一种非监督的聚类算法，比如典型的FCM、PCM聚类算法，在生活中有广泛的应用，然而基本的模糊聚类算法有各自的缺点，如FCM对噪声点敏感，PCM容易将类中心重合等，鉴于此可以提出混合聚类算法，该算法在保留它们单个算法优点的同时又避免了它们的缺点，在实验中得到了较为理想的效果。由于现实数据的复杂性，对于很多高维的数据以及异构数据集，混合聚类算法又显示出了它的不足，基于上述原因，本文引入Mercer核，提出了基于核的混合模型聚类算法，并通过实验仿真，证实了这些算法的有效性。　　本文具体的内容安排可分为以下3点：　　1、鉴于人们对于核理论的初步研究，本文在第一和第二章简单介绍了核方法的研究背景及其原理，对聚类分析的理论基础和方法进行了归纳和总结。并给出了KPCM1和KPCM2两种基本的核聚类算法。　　2、FCM和PCM的混合模型可以克服它们单独聚类时的缺点，在聚类效果上有很大改进，但是对于特征不明显的样本而言，这种混合模型的聚类效果并不太好，为了克服这一缺点,本文在第三章引入Mercer核，提出了一种新的基于核的混合c-均值聚类模型（KIPCM），运用核函数使得在原始空间不可分的数据点在核空间变得可分。通过数值实验，得到了较为合理的中心值以及较高的正确分类率，证实了本文算法的可行性和有效性。　　3、针对多数据源或异构数据集，单个核函数在处理数据上有各自的优点，然而也有各自的缺点。比如，输入空间是两个向量组成的空间，第一个向量服从多项式分布，而第二个向量服从高斯分布，对于这种情况，如果单单采用一种核函数聚类就会显得不足，因此可以将它们组合起来形成多核函数进行聚类分析。本文第四章探讨了将多个单核形成多核函数的一些组合方法，并将多核函数引入聚类中，期望得到较好的聚类效果。