聚类分析是认识事物的基本途径之一。通过聚类分析，可以更清楚地认识事物的本质特征。目前，聚类分析的方法主要有：层次聚类法、划分聚类法和神经网络法。神经网络法是近年研究较多，发展较快的一种新的聚类方法。自组织映射(SOM，Self-organizationMapping)网络和自适应共振理论(ART，AdaptiveResonanceTheory)网络等一些神经网络都可以用作聚类分析。本文选取ART2网络作为研究对象。ART2网络与其他一些神经网络相比的一个突出优点就是在学习新的模式时不会破坏已存储的模式，对己学习过的对象具有稳定的快速识别能力，同时又能迅速适应未学习过的新对象。同时它还可以通过调整警戒参数协调网络的稳定性和可塑性。　　虽然ART2网络适合用于聚类分析，但是传统的ART2网络由于根据当前样本修改权值，可能产生较大的模式漂移现象，因而聚类性能不太理想；而且传统的ART2网络中的归一化环节使输入模式的幅度信息丢失，所以对幅度信息起重要作用的模式向量的聚类可能产生严重的错误。这些问题限制了ART2在聚类分析中的应用与发展。　　针对传统ART2神经网络的模式漂移和幅度信息丢失的问题，本文分别针对这两种缺陷给出了改进的算法，给出了改进的ART2网络结构；为了进一步恢复幅度信息的作用并且能够大幅降低模式漂移对聚类的影响，本文给出了一种采用欧式距离作为判据的再聚类方法；最后，使用本文的ART2聚类方法对轴承故障数据进行聚类分析实验，讨论了ART2网络中一些重要参数的选取原则，对比了本文提出的方法与其他三种ART2聚类方法的聚类效果，证明了本文提出的方法的优越性。