粒度计算即信息的粒化处理，是关于信息处理的一种新的概念和计算范式，覆盖了粒度方面的方法、理论、技术等几乎所有的领域，是人工智能领域的研究热点之一。它模仿人类的思考方式，即人们能从极不相同的粒度上观察和分析同一问题，而且能够很快地从一个粒度世界跳到另一个粒度世界，往返自如，毫无困难，在知识发现等领域有着非常广泛的应用。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。聚类分析是一个非常活跃的研究领域，是数据挖掘的主要方法之一。它是一种无监督分类：没有预定义的类。聚类通过观察式学习，将数据对象分组为多个类或簇，在同一簇中的对象之间具有较高的相似度，而在不同簇中的对象差别较大。其广泛应用于文本分类、金融分析、数据评估、基因研究及市场调查分析等领域。聚类和粒度具有天然的相通性，如何将粒度计算与聚类分析结合起来目前仍处于起步阶段，尚未形成一个真正系统的完整的理论框架。本文分析了聚类分析和粒度计算概况，探讨了聚类分析的粒度原理和基于粒度聚类算法的一般框架，并基于该框架，提出了一种基于网格密度的文本聚类算法，实验表明，本文所提出的算法是高效的，并且是可行的。最后从商空间理论和信息粒度的角度，分析了模糊聚类的相关问题，探讨了模糊聚类的典型算法和聚类分析的分层递阶结构，并实验分析模糊聚类在文本聚类中的应用。