聚类分析（Cluster Analysis）可以在无监督的情况下,将大量的样本数据归类,从而得到样本数据中隐藏的信息,以便于人们更好的生产生活。但是,在聚类过程中使用的聚类算法会直接影响运行时间和聚类结果的质量。因此,研究各类聚类算法优缺点,以及如何改进现有算法具有重要的现实意义。本文主要研究了几种常用的聚类算法的优缺点,针对这些缺点,详细地给出了两种改进的聚类算法。研究的主要内容如下:1.研究且论述聚类中目前较为流行的五类算法,分析了常用的K-means、模糊(8均值（Fuzzy C-means,简称FCM算法）、DBSCAN等算法的优点与不足,总结并概括出现有算法存在的五个重要的问题,研究并给出了相应的改进方向。2.针对聚类算法中易陷入局部最优的缺点,通过构造效用函数证明聚类可看作是策略势博弈寻找纳什均衡问题,提出一种基于势博弈的聚类算法。该算法认为势博弈的纳什均衡对应于稳定的聚类结果。进而给出了解决这种基于势博弈模型的聚类的算法,即迭代的最佳响应算法。接着在已有的一般初始化算法基础上,以模糊(8均值算法产生初始聚类,并将其运用在迭代的最佳响应算法上。最后将该算法在两个数据集上测试并实现。3.针对FDP算法的时效问题,通过研究该算法的思想、步骤和优缺点,给出减少运算量,提高计算效率的思路,提出一种基于属性的改进FDP算法。考虑多属性数据样本,利用欧氏距离公式计算数据点间的距离。为优化算法,提出属性纵向相似度的概念,通过计算各属性下数值方差来判定属性纵向相似度,认为方差小于给定的阈值,则该属性对聚类结果没有影响。进而可减低欧氏距离公式复杂度,从而提高FDP算法的时效。最后给出所提算法的模型,并在实例中验证该算法的可行性。