聚类分析是发现数据内有用信息的一种有效手段，具有着重要的研究意义和应用前景。划分聚类问题(PC问题)是备受关注和挑战的重要研究方向之一，因此，寻求快速、有效的方法解决划分聚类问题是十分必要的。研究证明，划分聚类问题是一种NP难的组合优化问题。近几十年来，Hopfield神经网络被广泛应用于解决划分组合优化问题并取得了良好的效果。2008年，Wang提出了一种Stochastic Optimal Competitive Hopfield Neural Network(SOCHNN)方法求解划分聚类问题，并能较k-means，GA,GPSO，DE等先前的聚类方法获得更好的结果。然而SOCHNN方法却存在着一个缺陷：它没考虑数据特征对聚类的不同贡献，聚类结果受着噪声特征的干扰。　　 本文提出了一种基于特征加权机制的SOCHNN神经网络聚类方法，并采用不同加权机制探讨改进算法的性能。与原方法相结合的两种不同特征加权机制，一种是自动特征加权机制，其算法效率高只需用户输入一个参数；另一种是特征自适应机制，权值计算自适应且无参数。特征加权减少了不相关和冗余噪声特征的影响，提高了聚类的质量。仿真实验表明，改进后的SOCHNN网络，可以检测出噪声特征，比起原方法在性能及现实意义上有着很大的提高。新方法不仅保留了SOCHNN方法的优点，还引入了新机制—特征加权，是一种颇具优势的划分聚类算法。