数据聚类是数据挖掘中的一个重要分支,目前已有的数据聚类算法大部分局限于处理只具有连续属性的数据,另外有少量的算法局限于处理只具有标称属性的数据,如果只处理一类属性,在混合属性条件下必然损失数据信息,影响数据挖掘的质量。如何进行混合属性数据的聚类,目前还是一个充满着挑战性的领域。本文的主要研究工作包括以下几个方面：1.先介绍了K-prototypes算法,然后提出了2种针对K-prototypes的改进方法,第一种是在K-prototypes算法和模糊K-prototypes算法的基础上设计了一种新的算法——类属性分解法,这种方法能够克服原有方法的不足,并可以产生较好的聚类结果。第二种是在K-prototypes算法基础上设计的一种基于分组选择初始点的改进算法,并且通过遗传算法对分组做进一步的改进。2.提出了一种基于BIRCH算法的混合属性的聚类算法,在UCI数据集上的实验表明,文中提出的算法具有较好的性能。3.提出了一种基于改进的DBSCAN算法的混合属性的聚类算法,给出了相关描述,并指出了这种算法的优点。4.给出了一种基于聚类融合的混合属性聚类算法(CEMC),在进行混合属性数据聚类时采用了聚类融合的方法体系,并且推广了聚类融合方法,混合属性数据聚类时通过使用聚类融合理论来求解问题,在本文对这个问题的探讨中,建立了算法框架,进行了求解,提出了目标函数和算法,最后在实际数据中检验了本算法的效果。