模糊C均值聚类已广泛应用于模式识别、图像处理等领域。在现实生活中,由于数据遗漏、数据获取限制等原因,所获得的数据集通常含有大量的不完备数据。然而,传统的聚类方法无法直接应用在带有不完备数据的数据集中,对缺失属性的处理办法不同也直接影响到了聚类结果。因此,本文从样本的近邻相关性角度出发,提出了两种不完备数据聚类方法,并将算法在某公司研究人员能力评价模型中加以应用。主要研究内容包括:(1)针对基本模糊C聚类算法对数据集具有等划分趋势的缺陷,基于样本间的近邻相关性和样本近邻的类别比例,提出了一种基于样本空间距离的不完备数据模糊C均值聚类方法。算法首先提出了一种基于近邻样本类属的空间距离,将样本点周围近邻样本的类属信息以比例的形式引入原有的欧氏距离加以改进,利用样本分布信息,达到使距离度量过程可根据数据集变化做一定调整的目的,并根据样本点间的距离构造一个聚类影响值引入聚类目标函数。实验结果表明,所提算法因在距离计算中考虑了样本空间分布特征进而得到更为准确的不完备数据的聚类结果。(2)针对边缘点和离群点对聚类有较大影响的问题,基于样本间的近邻相关,提出了一种样本近邻隶属度加权的不完备数据聚类方法,利用样本近邻的加权隶属度来修正样本本身的隶属度,使样本本身的隶属度受其近邻样本的隶属度的加权平均值所调整,为充分利用样本的分布信息,所使用的加权系数为改进的高斯核函数,使样本点邻域内的样本分布能够对样本点之间的相似度产生作用,以提高不完备数据集的聚类效果。实验结果表明,所提算法在相关性较强且子类重叠明显的数据集上均可得到更为准确的聚类结果。(3)在研究人员能力等级评估中,使用上面提出的不完备数据模糊C均值聚类方法作为研发人员评价模型的建立。实验结果表明,利用本文提出的不完备数据聚类方法的等级评价模型可对完备或不完备的员工信息样本集做出正确率达90%以上的等级评定。