近年来,国家经济发展的脚步加快,互联网技术的进步已经推动人类进入了信息化时代。各行各业所产生的数据规模逐渐增大,数据结构也愈发复杂。面对海量具有不确定性的数据,从中挖掘有实际价值的信息,是当今研究的重点方向。人工智能、模式识别的出现提高了数据处理的效率。但是这些方法不具有普适性,依然难以处理复杂连续的数据,特别是金融领域的数据。改进传统的聚类分析方法并将其引入连续的数据处理,可能是突破这种问题的有效手段。区别于无序的数据,一种重要的数据类型是在一段连续的时间上,时间间隔不相同,包含多个过程的时间序列数据。传统数据处理方法不能发挥较好的作用,其实,加拿大学者James Ramsay（1982）率先提出函数型数据分析（Functional Data Analysis,简称为FDA）的相关理论。函数型数据分析是一种特殊的数据处理方式,它从动态随机的角度来考察数据,摆脱了传统分析方法的参数限制,能够高效把握数据的内在规律。本文首先对函数型数据处理方法即函数型数据分析进行介绍,其中包括函数型数据的概念,函数型数据分析目前的应用研究现状。然后介绍函数型数据分析所涉及的基本理论、统计学领域对函数型数据分析提供的理论支撑,为进一步的研究做准备,其中分析过程包括基函数展开、函数型主成分分析、典型相关分析。再次在分析对比众多传统聚类方法的基础上,改变函数型数据分析一贯采用K-means算法的思路,将多层核心集凝聚算法引入函数型数据分析,有效解决K-means算法聚类中心单一的缺陷,丰富了函数型数据聚类分析方法。最后采用金融领域的股市数据作为数据集进行实例证明。本文的主要工作一是寻找符合函数型数据连续性特征的基函数,通过基函数展开将数据进行曲线拟合,可以初步观察不同时间序列函数型数据的相似性;二是拓展多元统计理论,利用其将基函数展开产生的高维系数向量转换到低维空间上,避免了处理高维数据产生的一系列问题,也为后续的聚类分析提供方便;三是探索多层核心集凝聚算法的有效性,该算法创新的通过多层核心集动态表述聚类中心,与函数型数据分析动态随机的角度相契合;四是通过具体的金融数据例子来说明本文拓展的函数型数据聚类方法的实用性。