聚类算法思想在人工智能，数据分析及企业商业机会发现等诸多领域有着重要应用。然而，传统聚类算法的应用一个重要步骤是需要先提取出数据对象的特征属性。由于待聚类对象的多样性和复杂性，对具体某种对象提取哪些特征由人工确定，因此需要领域专家的支持，可以说传统聚类算法是领域相关的方法。当处于新的领域或对待聚类领域不了解的情况下，传统聚类算法则很难快速应用，需要经过长时间的学习新领域知识。论文针对领域无关的聚类要求，集中于建立和完善基于Kolmogorov复杂性思想的聚类方法的研究，从二进制角度来计算对象之间的相似性，避免了人工定义和提取待聚类对象的数据特征这一模糊的过程，从而即使对待聚类对象完全不了解，也可以获得较好的聚类效果。论文研究具有普适性的聚类算法，使聚类算法能够解决领域无关的聚类问题，具有重要的现实意义。论文重点研究的是基于Kolmogorov复杂性思想来计算对象之间的相似度，完善依此建立的准则函数并进行聚类分析。首先，分析传统的聚类算法在实际应用中的不足，从而引入基于Kolmogorov复杂性的方法。其次，基于Kolmogorov复杂性的思想，从二进制角度分析同一个对象内部以及不同对象之间的规律性，以信息距离和压缩距离作为准则函数，计算不同对象之间的相似度，并不断改进压缩距离的稳定性。再次，尽管在统计学方法中，数据预处理是很重要的步骤，但是由于Kolmogorov复杂性具有普适性，所以目前基于Kolmogorov复杂性的研究普遍忽略了预处理，论文提出并证明了对象预处理对基于Kolmogorov复杂性的方法同样具有重要意义。最后，论文设计了基于Kolmogorov复杂性的具体聚类算法。为了验证本文基于Kolmogorov复杂性的聚类方法是领域无关的，本文实现了基于Kolmogorov复杂性的聚类算法，用多种不同类型的数据进行了实验，最终验证了论文提出的聚类算法在不同领域应用时的稳定性和有效性。本课题的研究给领域无关的聚类算法的研究及应用提供了新的思路，实验证明基于Kolmogorov复杂性的聚类算法具有良好的普适性。综上所述，论文的研究成果具有较高的理论意义和实用价值。