近几十年来,随着计算机技术的迅猛发展,越来越多的数据被存入计算机,但是由于缺乏有效的工具从大量的数据中发现潜在的规则和信息,导致数据不能有效的被利用,浪费了很多获取知识的机会。然后随着数据挖掘技术的提出,人们才有机会在海量的数据中找到自己想要的知识。中医是以临床医学为基础的学科,中医临床数据具有复杂的相互关系,并蕴含着大量的医学知识。中医临床数据涉及的属性很多,包括患者,症状,用药信息,疗效信息,药物分类信息等等。同时考虑中医临床数据中多种异质的属性特征,进行聚类分析是有望发现中医临床数据中隐含结构知识的可行方法,本文对此进行了初步的尝试和探索。论文做出的工作包含以下几个方面:1.由传统聚类方法的不足引入了一种更加新颖的,应用范围更广的异质聚类算法,并根据异质聚类算法能够解决多关系数据聚类的特点,重点介绍了两种不同的多路异质聚类方法,突出多路异质聚类算法在处理此类问题上的优势。2.结合中医临床数据集,对临床数据中的病人—症状,症状—药物,药物—药效等多种相关信息加以综合考虑,建立两种相关度模型:属性间的相似度模型和考虑不同影响因素的类内的相关度模型。3.将异质聚类算法应用到临床数据中,根据建立的数据模型设计多路聚类的算法程序,并最终由临床数据得出相应的聚类结果,验证了多路聚类算法的正确性,并初步发现中医临床数据中隐含结构知识,为临床诊断提供了理论依据。