聚类分析作为数据挖掘领域中重要组成部分,在当今很多的行业和领域中得到了广泛的应用,聚类算法相互结合可以得到更优质更有效的聚类算法,因此在算法融合方面,对层次K均值聚类算法(Hierarchical-K-means-Based Clustering Algorithm,H-K聚类算法)的研究已成为一个研究热点。本文对当前广泛应用的聚类算法进行相关的研究,比如层次聚类算法和划分聚类算法以及基于H-K的聚类算法,并提出一种改进的H-K聚类算法:基于距离评价函数和熵的聚类算法(HKDE算法)。本文分别对聚类算法的国外研究现状和国内研究情况、聚类分析的相关理论依据和实验成果、最初的聚类算法、距离与相似性度量方法、划分聚类算法、层次聚类算法、传统H-K聚类算法做了深入的研究与分析。针对传统H-K聚类算法聚类质量不高,算法效率较低且对噪声敏感的问题,加入了距离评价函数的概念对H-K聚类算法中的K值进行优化提高聚类质量,采用kd-树数据结构对数据进行处理以提高算法效率,加入信息熵的概念作为相似性度量标准从而降低H-K聚类算法对噪声敏感的问题,并在此基础上提出了改进的H-K聚类算法:HKDE算法。针对HKDE算法在层次聚类阶段需要将当前数据对象加入到每一个簇中计算熵值增量从而造成计算量较大的问题,加入了一个距离阈值ε,使得HKDE算法在聚类过程中,只计算当前数据对象到簇的中心点的距离小于或等于ε的簇的熵值增量,以距离阈值ε为判断标准减少当前数据对象加入簇计算熵值增量的数量,从而降低算法的运行时间,以达到提高算法效率的目的。论文根据仿真实验的结果对提出的HKDE算法进行了有效性的验证,在实验结果的对比中将提出的HKDE算法与传统H-K聚类算法从算法聚类质量方面、算法效率方面、多维数据处理方面做了针对性的对比分析。实验结果验证了本文所提出的HKDE算法能够比较好的应用在数据聚类的处理工作方面,新的算法比传统的H-K聚类算法具有更好的聚类质量和较高的算法效率,在多维数据的处理能力上也有较好的表现。