近年来信息技术发展速度与数据更新速度加快,而数据来源复杂多样,数据量以前所未有的速度迅猛增长。为了从庞大的数据中,快速准确地获取有价值的信息,聚类分析作为一种重要的数据分析技术被广泛研究,但仍存在初始聚类中心选择敏感,数据分布对聚类结果影响较大,参数选择敏感,聚类结果稳定性差以及算法时间复杂度高等缺点。P系统是根据生物间的交流、反应抽象得到的计算模型,具有强大的计算能力,可与图灵机相媲美。将P系统与聚类算法相结合,可利用P系统自身具有的极大并行性,降低算法时间复杂度,但P系统存在普适性较差等缺点。本文对类组织P系统、模糊C均值聚类算法和谱聚类算法进行了研究,主要研究内容如下:1、介绍了研究背景与意义,分别介绍了近几年类组织P系统、模糊C均值聚类算法、谱聚类算法以及基于类组织P系统的聚类算法的国内外研究现状,然后对类组织P系统、模糊C均值聚类算法以及谱聚类算法的基本理论进行了阐述。2、对类组织P系统进行了改进,将耦合细胞和可进行分裂与溶解的细胞引入类组织P系统中,提出了动态耦合类组织P系统。该系统可实现聚类算法的迭代过程,提高了类组织P系统的普适性。3、提出了基于动态耦合类组织P系统的改进的模糊C均值聚类算法与基于动态耦合类组织P系统的改进的谱聚类算法。前者将密度思想引入模糊C均值聚类算法中,利用密度找到初始聚类中心,并使用改进的高斯核函数作为距离度量公式,优化模糊C均值聚类算法,将优化后的算法与P系统相结合,提高算法计算效率。后者将邻域思想引入谱聚类算法中,改进了相似度度量方法,再使用上一章中提出的改进的模糊C均值聚类算法对求得的特征向量进行聚类,将改进后的算法与P系统相结合。在人工数据集与UCI数据集上分别对两种改进的聚类算法进行测试,实验结果表明,两种算法均能在较短时间内,获得较好的聚类结果。4、将提出的两种算法用于解决图像分割问题。改进的模糊C均值聚类算法用于对彩色图像进行分割,改进的谱聚类算法用于对真实图像进行分割。分割结果表明,两种聚类算法均能获得较好的分割结果。