随着现代数据库和网络技术的迅速发展,人们必须面对大量的数据,为了从这些原始数据中发现隐含的,有价值的信息,我们需要高效的数据处理方法,数据挖掘正是为了迎合这种需要而产生并迅速发展起来的一种新的数据处理技术。聚类分析是数据挖掘的一个重要组成部分,随着数据挖掘得到越来越多的应用,聚类分析也得到了越来越多的关注,目前已有许多成熟的聚类算法,这些算法被广泛应用于各个相关领域中,如商业市场分析、生物工程研究、图形图像处理、模式识别、Web检索领域等等。 文中首先介绍了数据挖掘和聚类分析的一些相关理论以及国内外的研究现状,指出了聚类分析中急待解决的问题,然后分析了聚类方法中基于划分的、基于层次的、基于密度的、基于网格的和基于模型的方法,并对其中的一些典型算法进行了分析。本文主要是针对高维稀疏数据聚类中的异常值处理问题,目前这方面的研究还是比较少的,由于一般聚类方法很难处理高维稀疏数据中的异常值,所以对于高维稀疏数据聚类往往很难有高质量的聚类结果。针对这一问题文中首先提出了一种用二态属性值和最小生成树结合的动态聚类方法,该方法可根据阀值动态聚类,并能够在聚类时考虑对象属性的重要性,使聚类结果更加合理。由于自然界中的事物存在着各种关系,很多关系都是界限不明显的模糊关系,我们需要用模糊理论来描述,因此本文提出了另一种基于多元相似度和模糊相似矩阵的高