在大多数应用中，数据集同时具有数值和分类这两种属性类型。因此研究混合属性数据的聚类问题是目前的一个热点。本文主要对这个热点问题进行研究：1.提出了一种新的加权聚类算法IWKM。在真实数据集上的实验结果表明，算法IWKM的聚类准确率要高于传统的聚类算法。2.提出了一个加权模糊K-prototypes算法WFK-prototypes。这个算法考虑了数据对象在簇归属上的模糊性。在真实数据集上的实验结果表明，在聚类的准确率上，算法WFK-prototypes要高于传统的聚类算法。3.在KH算法框架的基础上，提出了一种能够消除模糊系数缺点的模糊聚类算法IKH。把IKH算法应用在UCI机器学习库中的数据集上进行实验。实验结果表明，这种聚类算法的聚类准确率要高于传统的聚类算法。4.提出了一种新的簇中心初始化方法DDCI。在UCI机器学习库中的真实数据集上进行实验。实验结果表明，在聚类准确率和结果的稳定性上，簇中心初始化方法DDCI比传统的随机初始化方法更好，更稳定。