志愿填报是高考招生过程的一个重要环节,在没有科学指导的情况下,很容易出现考生盲目填报的情况,因此,为考生提供志愿填报智能服务有重要意义。院校推荐服务根据考生要求对高等院校进行分类,将合适的院校推荐给考生,免去了考生繁杂的信息搜集和分析任务。为了得到合理的院校分类结果,本文采用模糊聚类挖掘技术对高校数据进行分析,得到了院校归类的不确定性程度,表达了院校类属的中介性,使得院校推荐服务更加科学。本文详细介绍了模糊聚类技术的理论基础,重点阐述了模糊C-均值算法的实现原理及步骤,针对有效性评判的模糊C-均值算法在求解最佳聚类数目时计算量过大的缺陷,利用减法聚类算法确定初始聚类数目的上限,降低了算法的时间复杂度。针对原有的模糊C-均值算法在对每一个类别数进行聚类时都要重新初始化聚类中心,使得求解最佳聚类数目的算法不稳定的问题,本文通过合并聚类中心的方法对原有的模糊C-均值算法进行了改进,克服了其初始化敏感的问题。在对院校数据进行聚类分析时,本文先利用离差最大化方法计算出院校指标的客观权重,结合考生设定的主观权重对院校数据进行特征加权,再利用模糊C-均值算法对特征加权后的数据进行聚类,避免了原有的模糊C-均值算法将不同指标对聚类过程的贡献均匀化处理的缺点。实验结果表明,基于特征加权的模糊C-均值算法体现了不同指标对聚类过程做出的不同贡献,达到了更好的聚类效果。本文最后利用改进的模糊C-均值算法设计了一个院校推荐模型,并将它应用于高考志愿填报院校推荐智能服务。