随着信息系统的广泛使用,产生了大量的数据,如何充分利用这些数据,发掘出有用的知识,是人们非常关心的问题。聚类是数据挖掘中一种重要的方法,随着核方法的提出,将核方法应用于聚类算法成为帮助人们解决数据挖掘问题的新的重要的方法。本文主要研究聚类算法中的两种经典的算法：K均值算法与模糊C均值(Fuzzy C-means, FCM)算法。首先,对K均值算法进行研究与分析,提出了一种改进的K均值算法。其次,在FCM算法的基础上结合核方法理论,提出了两种新的基于核方法的聚类算法,本文的主要工作如下：1、提出了一种基于初始点优化与迭代优化的K均值算法,该算法不是随机选取初始聚类中心而是采用基于最小距离的初始聚类中心选取法。聚类中心的调整不是取平均值而是选用离平均值最近的点作为新的聚类中心,这样就克服了孤立点的影响。最后对迭代运算进行了优化使得算法的计算效率得到了提高。2、提出了一种基于混合核函数的模糊C均值算法,构造了一种外推与内推能力都很强的混合核函数,并将混合核函数应用于模糊C均值算法中。实验结果表明对于数据分布为非球形分布或样本边界为非线性时有很好的聚类效果。3、考虑可能性C均值算法有良好的抗噪声性能,将它与混合核函数相结合,提出了基于混合核函数的可能性C均值聚类算法；该算法克服了噪声数据对非球形数据集聚类的影响。实验结果表明该算法对于含有噪声的非球状数据有很好的聚类效果。