随着大数据时代的到来,聚类分析算法逐渐成为数据挖掘技术领域的重要工具。对于聚类算法如何提高其准确划分程度和处理数据时的抗噪鲁棒性一直是这一领域的研究热点。模糊理论因其具有解决不确定性问题的潜在能力而被广泛应用于聚类分析。因此,将模糊理论应用聚类算法能增强算法处理各种复杂数据的有效性和适应性,为聚类分析理论体系的进一步发展提供了新的研究方向。模糊C-均值聚类（FCM）算法已经广泛应用于聚类分析,它对不含噪声的图像和数值数据具有很好的聚类效果。但是FCM算法只考虑了当前样本的聚类,对噪声和离群点非常敏感,其抗噪鲁棒性较差。可能模糊C-均值聚类（PFCM）算法同时解决了FCM算法的抗噪能力弱和可能C-均值聚类算法（PCM）容易出现聚类中心重叠的缺陷。这是因为PFCM的目标函数同时包含了隶属度和典型性两个重要特征,并分别赋予其系数a和b。但是系数a和b的取值只能依靠大量重复实验,以便获得算法所需的适当参数值,增加了算法的不确定性和时间开销。因此,本文将在可能模糊聚类算法的基础上对其加权系数进行改进和优化,以便增强其聚类精度、抗噪性能和适应性。本文的主要工作概括如下:（1）为解决可能模糊聚类算法中典型性和隶属度参数选取不合理导致聚类中心出现重合的缺陷,本文在加权可能模糊C-均值聚类算法（WPFCM）的基础上,提出了一种基于最大熵方法构造的自适应加权可能性模糊聚类算法（AWPFCM）。根据迭代过程中隶属度和典型性的不同权重分配来更新其权值参数,进一步增强了算法的聚类精度。同时,用Zangwill定理分析了算法的收敛性。此外,为了确定该算法的最佳聚类数,本文构造了三个适应本文算法的有效性指标函数。最后,通过鲁棒损失函数来优化AWPFCM算法中的欧氏距离进一步提高算法的抗噪鲁棒性,提出了RAWPFCM算法。实验结果表明,AWPFCM在数值数据聚类和图像分割方面都具有明显优势,比现有的可能性聚类算法有更好的性能,所提出的有效性指标也能准确的确定该算法的最佳聚类数,RAWPFCM算法具有很好的抗噪性能。（2）为进一步增强对高维复杂数据集的有效聚类,本文进一步将算法推广至核空间,采用高斯核函数优化原有的欧氏距离度量,增强算法对高维数据集的聚类性能,从而提出了基于核空间的自适应加权可能模糊聚类算法（KAWPFCM）。此外,为了准确确定该算法的最佳聚类数,构造了三个适应该算法的有效性指标函数。最后,通过鲁棒损失函数来优化KAWPFCM算法中的高斯核距离,进一步提高了算法的抗噪性能,从而提出了RKAWPFCM算法。实验结果表明,KAWPFCM算法对复杂数据集的聚类性能优于现有的可能模糊聚类算法,所提出的有效性指标也能准确的判定该算法的最佳聚类数,RKAWPFCM算法也具有很好的抗噪鲁棒性。（3）由Lambert W-函数驱动的增强可能性模糊聚类是一种重要的加性划分聚类方法,但如何有效地选择模糊聚类和可能性聚类的加权指数是该聚类算法面临的一项挑战性任务。本文首先将最大熵原理引入到增强可能性模糊聚类中,提出了一种由Lambert W函数驱动的自适应熵加权可能性模糊聚类。然后构造了所提出算法的三个有效性函数,用于自动找到不同数据集的最佳分类数。最后,利用鲁棒损失函数对所提出的算法的距离度量进行了修改,得到了具有加权熵正则化约束的鲁棒增强可能性模糊聚类算法,最终解决了受噪声污染的数值数据的聚类问题。实验结果表明,在大量噪声干扰情形下,提出算法可准确获取原有数据的真实聚类中心,具有良好的抗噪鲁棒性。同时本文的工作极大地促进了可能性模糊聚类理论的发展,对实际应用具有深远的意义。（4）为进一步提高Lambert W-函数驱动的增强可能模糊C-均值聚类算法（EPFCM）的聚类性能,将其推广至核空间,提出了基于核度量和Lambert W-函数驱动的自适应加权可能模糊聚类算法（KAEPFCM）。有效提高了算法的聚类精度和处理复杂高维数据集的能力,同时应用鲁棒损失函数模型来优化所提出的可能性模糊聚类的原有核诱导平方欧氏距离,并构造了具有熵正则化的鲁棒增强核化可能性模糊聚类算法,以便有效处理含有大量噪声的复杂数据集。最后,为了广泛应用该算法,设计了多个有效性函数来解决该算法自动确定最优聚类数的问题。实验测试结果表明,提出算法的聚类性能优于许多模糊聚类相关算法。