近些年来,通过对肿瘤基因表达数据聚类来区别不同肿瘤类型一直是生物信息学领域当中研究的重点。面对不断增加的癌症基因,探索癌症之间的相关性是研究的问题之一,精准医学尝试通过聚类算法起到辅助作用,为具有相似特征的癌症亚型患者制定更加针对性的诊治方案、靶向治疗等,准确的分类对于医学上调整治疗方案起到非常重要的作用。随着研究聚类算法中的模糊聚类的人越来越多,推动其发展越来越快,这是因为它有一个较为突出的特点:不会把每一个对象进行严格划分,是以一定的隶属度去划分每一个类。而对于肿瘤来说可能受到多种基因的影响,并且受到的影响程度是不同的,因此模糊C均值聚类算法（Fuzzy c mean clustering algorithm,FCM）在动态生命系统中更能表达肿瘤基因表达数据的特征。本文针对FCM算法在数据集下存在的问题进行改进,并在普通数据集、基因表达数据集、肿瘤基因表达数据集下进行研究与应用,主要的研究内容如下:（1）为了解决FCM算法在数据集下聚类效果不好、且基于欧氏距离的相似性度量中,只考虑数据点之间的局部一致性问题,将Jeffery散度相似性度量与FCM算法进行结合并改进,本文提出了基于Jeffery散度相似性度量加权FCM聚类算法（Weighted FCM clustering algorithm based on Jeffrey divergence similarity measure,JW-FCM）。通过定理、推论得出改进的目标函数。在实验部分,通过该算法与经典算法K-means、DPC、FCM算法在人工数据集下进行对比,证明该算法可以提高聚类效果,并对此做了准确率的对比,为了更好地体现该算法在实际应用中的作用,在三种癌症数据集下进行收敛性分析,最后证明所提出算法在聚类效果、准确率、收敛性上表现较好。（2）为了改进FCM算法存在着在高维基因表达数据集下,不能把基因表达数据所拥有的不同属性特点对聚类贡献不同的问题进行区别,本文提出基于预处理结果属性约减的特征加权FCM算法（Feature Weighted FCM Algorithm Based on Preprocessing Result Property Reduction,RW-FCM）,通过数据预处理、特征加权获取特征权重,将Relief F技术与FCM算法结合,在数据集下进行收敛性、鲁棒性、聚类效果准确率的对比,验证算法对于聚类效果可以进行更好的区分。综上所述,本文提出两种改进的算法JW-FCM、RW-FCM并在不同数据集下进行聚类实验,依据肿瘤基因表达数据的差异性进行特征加权,并且使用评价指标去反应算法在数据集下的聚类质量。在应用部分,将本文提出的算法应用在肿瘤基因表达数据集,验证了对于肿瘤基因表达数据集本文提出的方法具有合理、可行性,也表现了JW-FCM、RW-FCM算法的优点,在实际生物学范畴里具有重要意义。