模糊C均值（FCM）聚类算法是机器学习中使用最频繁的算法之一。FCM聚类算法是一种无监督学习的方式,并不需要预先知道数据集的先验知识,因此如何确定最佳聚类个数成为决定聚类结果质量的重要条件。而且对于模糊聚类算法来说,模糊划分的引入使其比硬聚类算法更符合现实数据集的结构。因此研究模糊聚类有效性评价方法具有重要的意义。目前,模糊聚类有效性的研究主要体现在模糊聚类有效性函数（FCVI）和组合式模糊聚类有效性评价方法（CFCVE）两个方面。本文基于这两个方面分别评述了一些FCVI以及CFCVE,并依据模糊聚类有效性函数的共同点和不同点进行了细节的归类,分析了不同模糊聚类有效性评价方法的研究现状和构成策略。本文根据基于模糊聚类有效性的研究现状提出了4种用于解决模糊聚类有效性评价的方法如下所示:（1）提出了一种新的FCM聚类算法有效性函数（VHY）来验证聚类结果的有效性。VHY基于模糊隶属度矩阵中的类内紧凑度、类间分离度、类间数据相似性和数据集的几何结构来定义,其最小值表示最优聚类划分结果。并且在4组人工数据集和6组UCI数据集上将VHY与7个传统聚类有效性函数进行了实验对比。仿真结果表明,VHY可以更准确地得到数据集的最优聚类数,并且在改变模糊加权指标的情况下仍能找到准确的最佳聚类数,具有较强的适应性和鲁棒性。（2）对聚类有效性的研究大多是基于单一的聚类有效性函数。研究表明,没有一个聚类有效性函数能够处理任何数据,并且总是比其他指标表现得更好。为此,提出了一种基于FCM聚类有效性函数的混合加权组合评价方法（HWCVF）。HWCVF的加权方式采用专家赋权与信息熵赋权组合的形式,既能克服专家加权的主观因素影响,还可以弥补信息熵加权对各聚类有效性函数值判断中的不足。同时本文还对组合方式进行一定的探讨,包括线性、指数、对数和比例四种聚类有效性函数组合方法。最后,通过人工数据集和UCI数据集来验证HWCVF的应用性。实验结果表明,提出的HWCVF可以克服了单一聚类有效性函数的缺点,能够更准确地得到不同数据集的最优聚类数。（3）组合式有效性函数虽然可以在一定程度上对单一有效性函数进行融合,但是权重的选取过于困难,因此提出了一种基于D-S证据理论的模糊聚类有效性函数集成模型（DS-CVFFM）。DS-CVFFM首先采用FCM聚类算法作为基础算法,计算不同有效性函数的值,然后使用聚类有效性函数作为构造基本概率分配函数（BPA）的证据源。最后,通过D-S证据理论的融合规则计算不同聚类个数取值的信度值,根据决策条件,输出最佳聚类数。DS-CVFFM使用的信息融合进而集成多个聚类有效性函数用于判断最优聚类数,无需提出复杂的有效性函数,避免了加权组合中专家因素的影响聚类有效性评价方法。最后,使用4组人工数据集和14组UCI数据集验证所提出DS-CVFFM的可行性。实验结果表明,与传统的模糊聚类有效性评价方法相比,提的出DS-CVFFM具有重要的应用价值,不仅提高了判断最优聚类数的准确性,还在不同的模糊指数值条件下提高了稳定性,可以克服传统聚类有效性的缺点评价方法。（4）聚类集成是研究聚类问题的重要手段之一,其思想是通过多个聚类算法输出单个聚类结果进而提升最终聚类的质量。判断聚类结果的好坏需要进行有效性评价,现有的聚类有效性函数同聚类算法一样仅能适用于部分数据集,其稳定性还有待提升。为此基于D-S证据理论、多个FCM聚类算法和多个模糊聚类有效性函数提出一种新的聚类集成模型（DSMFCE）。DSMFCE通过不同算法更新聚类中心与隶属度方式的不同从而使其具有更强的适应性。然后将各算法对应聚类中心与隶属度输入到有效性函数中,再将有效性函数作为命题通过D-S证据理论进行信息融合,最后通过决策模块输出最佳聚类个数的取值。在新的模型概念中,文章着重探讨聚类算法,有效性函数及D-S证据理论的组合框架,通过串联与并联两种集成方式来验证最终聚类集成模型的有效性。最后选取6组人工数据集与14组UCI数据集进行实验仿真,实验结果表明DSMFCE在多个FCM聚类算法集成的条件下,对最佳聚类个数的判断具有很好的稳定性与适应性。