随着信息技术的不断发展,海量高维数据的不断涌现,企业迫切需要高效、精确、科学的分析数据。而近年来,高维数据集的增长如此之快,传统的数据库查询方法不足以提取有用信息,因此研究人员不得不开发新的技术,以满足更高的要求。目前,数据挖掘技术已经逐渐步入了实用的阶段,同时也将逐步融入人们的日常生活并带来各种服务与便利。在数据挖掘的聚类分析过程中,面临的最大挑战就是不能在高维数据集(如微阵列基因数据)中正常工作,大多数时候由于负面影响以及一些异常值导致结果不精确,而且面对维数的增加计算的复杂度也迅速增加。因此本文在目前的聚类分析研究的基础上提出了一种融合了降维法、主成分分析法、平均距离法等三种方法的混合高维聚类算法,并且将该算法应用到服装企业的实际生产、目标市场的确定以及产品改良等环节中。针对新的聚类算法,本文做了以下相关工作:首先,综述了数据挖掘中聚类算法的研究现状,对数据挖掘技术以及其中的聚类分析的种类、应用进行阐述,并比较了当前主要的几个聚类算法。其次,研究了高维聚类的特点和当前主要的高维聚类方法,针对聚类高维数据时面临的问题,提出了相应的解决方案。然后,对传统聚类算法不能满足高维数据的状况,在传统聚类算法的基础上,提出了一种混合高维聚类算法,给出了算法的步骤及伪代码;并通过4个数据集对该聚类算法进行实验验证,并和传统的聚类方法进行对比。实验结果表明提高了准确度,减少了平均执行时间,且有更好的准确性和效率。最后,本文对数据挖掘技术在服装行业的应用进行可行性分析。通过将提出的聚类算法应用到服装行业的实际生产和销售中,并对客户体型数据、销售数据和舒适度评价数据进行高维聚类,获得企业投产规格号型表、客户需求表和服装舒适度比较表,它们能够更好的指导服装投产、目标市场的识别和产品改进。