当今,随着信息技术的高速发展,数据量正在呈指数增长,如何快速、准确地从大规模、杂乱无章的数据中找到所需信息就成了一项十分有意义的课题。聚类分析方法作为数据挖掘技术中的重要方法之一,它恰好为海量数据的研究分析提供了一种方法,并被广泛应用到现实社会的各个领域。但是聚类分析方法中的很多聚类算法要求事先确定聚类数目,如何确定聚类数目是一个复杂而艰巨的问题。近年来,人工神经网络因具有较高的非线性、并行性、良好的容错性及较强的鲁棒性等优点,在许多领域中得到了广泛的应用。尤其是RBF神经网络有很强的非线性拟合能力,可映射任意复杂的非线性关系,但是RBF神经网络的非线性映射能力体现在隐含层基函数上,基函数的特性主要由基函数的中心确定,而在实际应用中基函数中心的确定是一个困难的问题。基于上面的问题,本文研究将复杂网络的社团划分技术与相似度量相结合的聚类算法,解决事先确定聚类数目的问题,并把该算法引入神经网络对RBF神经网络的中心进行优化,最后试验验证。本文首先阐述了当前常用的社团发现算法,分析了各种算法优缺点。然后通过对k-均值聚类算法的研究分析,提出了一种基于复杂网络社团发现的CNM算法与相似度量相结合的聚类算法,该算法克服了k-均值算法需根据先验知识确定聚类个数的缺陷,通过二个聚类分析实验表明该算法提高了聚类的质量。最后基于复杂网络社团发现算法与相似度量相结合的聚类算法,提出了用该算法对RBF神经网络的中心值进行优化,经二个实验验证,该算法有效的克服了RBF神经网络算法的缺点,提高了网络的精度。