在数据可用性不断增强的现实背景下,聚类分析作为挖掘数据之间关联性的重要工具得到了广泛应用,该方法采用无监督的机器学习方式,从无标记的海量数据集中获取有价值的信息和知识。K-ea算法是其中最经典的优化模型之一,因其具有操作简单、局限性已知、能够迅速收敛等优点,被应用于各种聚类分析领域。然而K-ea算法具有易错误初始化类簇中心、易迭代陷入局部最小值、非凸型数据集处理性能差等问题,使得该算法的聚类划分结果不佳且稳定性较差。聚类有效性指标（CVI,C e g Va d I de）也是聚类分析中关键的环节,然而,现有的许多CVI都存在诸多不足:假设性较强、只适用于特定的数据集分布、聚类结果误差大等。针对上述问题,本文首先提出了一种基于初始中心动态检测与AHC（Agg e a e H e a ch ca A g h）融合的改进算法:DH-K ea（A I ed K-ea C e g A g h Ba ed D a c I a C e Ce e De ec a d H e a ch ca C e g）,然后提出了全新的名为NCSI（Ne C ac e-e a ab Ba ed I de）的聚类有效性指标。本文的主要工作如下:（1）针对上述K-ea聚类算法存在的问题,提出了一种基于初始中心动态检测与AHC融合的改进算法:DH-K ea算法。该算法首先采用基于密度和聚类距离的综合度量来动态检测出数据集的初始类簇中心,使该算法不必陷入局部最优的问题。其次,将AHC算法思想融入到DH-K ea的迭代过程中,通过从指定的类簇数量上限开始逐步合并相似类簇的方式,进而提升算法的性能以及应对多种类型数据集的能力。（2）提出一个全新的名为NCSI的聚类有效性指标。新NCSI指标从数据集真实划分结果的几何结构出发,主要对传统的聚类紧凑度和分离度进行改进和刻画。根据K值的通行规则,自适应地计算数据集在不同K值范围内所对应的NCSI指标值,在准确获得最佳类簇数的同时,亦能够更精准稳定地对聚类结果的质量进行评价。（3）针对本文提出的DH-K ea改进算法和NCSI改进指标,在凸型、非凸型以及高维多属性等多种类型数据集下进行实验检验。实验结果表明,DH-K ea算法与AHC、结合AHC改进的K ea-AHC、K-ea和K-ea++这四个现有算法相比,能够确保在时间不过多消耗的情况下,对多种类型的数据集进行迅速、稳定、精确地处理。NCSI指标与S、D、CH、DB、I、COP和SMV这7种现有的指标相比,能够更精准稳定地评价各种类型数据集的聚类结果的质量,进而也说明了NCSI指标的优越性。