随着聚类分析的应用领域日益扩展，越来越多高维的、混合类型属性数据需要处理。然而现有的大部分算法要么只能对低维数据有效，要么只能处理某一种特定类型的数据。针对这两个矛盾，对高维的、三种混合类型(二元型，类别型，数值型)属性数据的聚类算法做了一些研究。 首先，基于密度的分组方法(DGM)将数据集中每一维的数值型数据分别离散化，用区间标号替代其实际的数据值。然后，将数据集中所有有效数据统一编号，转化成一个类别型数据集，去掉空缺值并添加事务标识符后成为一个事务数据库。在定义了最长频繁闭项集(LFCI)的概念后，利用LFCI的两个关键属性，即(1)LFCI最大地覆盖了事务；(2)LFCI能够作为事务的描述，可将具有相同LFCI的事务归为一簇。为了适应聚类的要求，对传统的频繁模式树(FP-树)从三个方面进行了改造，并详细叙述了改造FP-树的创建。分析挖掘LFCI的过程后，更新FP-树以降低空间复杂度；根据LFCI的特点，导出无效树的剪切策略以降低时间复杂度，给出的LFCI-增长方法挖掘出每个事务的LFCI。从事务的多个LFCI中，选取一个作为该事务的描述，插入到定义的簇树中。每一个从根节点到链接有事务标识符的节点即为一个簇，其路径中的项对应于相关维，事务标识符对应于相关点。以上过程被总结成一个对高维混合属性数据的聚类框架，它本质上是投影聚类方法。 为了验证聚类框架的性能，在模拟数据集上做了基于最长频繁闭项集的算法(CA-LFCI)的伸缩性，对高维数据处理，对不同类型属性处理，健壮性等方面的实验。仿真实验表明，CA-LFCI具有较好的综合性能。另外，还将算法应用在两个真实数据集Votes和Mushroom上。结果表明，在算法的输入参数——最小支持度小于22％的情况下，对Votes数据集，精确度保持在95％以上，最高可达98.62％，运行时间少于0.71秒；对Mushroom数据集，精确度保持在97％以上，最高可达99.8％，运行时间少于5.5秒。此外，结果是可用的和可解释的。