由于数据库技术的日趋完善带来了剧增的数据量,各个行业已经累计了相当多的数据,在信息量过大的环境里,人们感到很难从大量的信息中找到对自己有用的知识和信息。如何在快速增长的海量数据中挖掘出有用的信息是目前众多学者的研究目标,也是信息技术发展的必然要求。聚类分析作为数据挖掘技术中的一个重要分支,它既可以独自处理数据,又可以结合其它算法一起使用,能有效地了解数据的分布情况,寻找隐藏在数据中的一些特征。本文针对某些聚类算法存在的不足,提出了结合减法聚类方法来提高聚类算法的性能,具体研究内容包括以下几个方面:(1)本文阐述了聚类的基本知识及概念,聚类分析的几个研究方向,聚类的相似性度量函数,以及评估聚类算法质量好坏的准则函数,并研究了聚类的分类及其经典算法的特点及步骤,对比分析了各类聚类算法的性能及各个算法的优缺点和适用范围。(2)提出了混合减法聚类的改进型层次聚类算法。首先采用减法聚类得到一个初始聚类代表点,然后利用最小生成树(MST,Minimum Spanning Tree)中的Kruskal算法寻找最优路径,按权值大小存储类中心间的距离,最后实现分层聚类。通过对UCI数据集进行实验仿真对比,有效验证了所提算法的性能。实验结果表明,混合减法聚类的改进型层次聚类算法比传统的层次聚类算法运行速度快,且聚类结果也比原算法要好。尤其在数据量越多时,所提的新算法在时间消耗方面的优势越突出。(3)提出了混合减法聚类的改进AP聚类的算法,利用减法聚类算法,寻找密度值高的数据点作为聚类的初始中心,然后,计算出初始聚类中心间的相似度距离,结合半监督聚类的先验信息,添加成对限制信息,构造稀疏化相似度矩阵,最后对初始聚类中心进行AP聚类,从而获得合适的分类。实验结果表明,该算法减少了相似度矩阵的存储量,降低了计算量,而且在聚类效果和运算速度上优于原算法。