数据聚类是数据挖掘算法的重要组成部分，提高聚类正确率对聚类算法的应用有重要的作用，模糊聚类作为一种聚类算法在处理没有明确划分的数据时具有很好的性能。本文研宄了一种基于广义熵的模糊c均值模糊聚类目标函数，通过神经网络方法解决了目标函数中模糊指数和广义熵系数的奇偶性和一般化问题，提出了一种基于神经网络的广义熵模糊聚类算法，同时将目标函数中的欧式距离替换为核距离提出了一种基于神经网络的广义熵核模糊聚类算法。此外，广义熵模糊C均值算法是对模糊C均值算法的改进，在目标函数中增加了广义熵项，因此对广义熵在模糊聚类中的作用及目标函数中的各个参数对聚类结果的影响进行了研宄。为了进一步提高聚类的正确率和聚类的稳定性，本文对基于神经网络的广义熵模糊聚类算法及其核算法的聚类集成算法进行了研宄，构造了一个具有成员选择和特征加权的集成框架。集成框架中使用了更能反映模糊聚类效果的隶属度作为聚类成员，在聚类成员选择阶段，使用了三种已存的模糊集成成员选择方法，同时提出了一种新的二次选择加权方法，最后使用了两种融合函数对选择成员进行处理，得到最后结果。实验中使用人工数据集和常用的UCI数据集对本文算法进行测试，实验结果表明本文提出的基于神经网络的广义熵模糊聚类算法及其核算法可以有效的解决模糊指数和广义熵系数的奇偶性和一般化问题，同时在二者不等时可以获得更好的聚类结果。此外在聚类集成算法的测试中也证明了本文提出的二次选择加权方法在选择模糊聚类成员时具有很好的效果，进而证明本文构造的聚类集成框架的有效性，可以进一步提高算法的聚类正确率。