在模式识别领域中,聚类分析作为一种重要的手段除了应用于聚类问题本身,还常常应用于数据分析、特征提取、分类。然而在聚类分析问题中,由于在实际的场景下经常会遇到数据质量差含噪声和异常点较多、数据可分性差不适应于算法的先验假设等情况,传统的聚类方法如Kmeans,GMM聚类效果会受到干扰。基于模糊理论的聚类算法将模糊集合理论应用于聚类算法,也称为软聚类算法,用于表达数据点不单单只属于一个类别的概念。模糊聚类算法的理论使得人们开始使用模糊集合表达聚类问题中的不确定性,但是聚类算法本身的遇到的实际问题并没有得到解决。近年来部分学者希望将中智学集合引入聚类分析问题,希望解决其中的异常点以及聚类边界的问题。针对这些问题,本文将中智学集合引入了聚类算法中,主要进行了以下方面的工作:(1)本文设计了基于中智学集合的聚类算法框架,通过中智学集合的思想,结合聚类算法的代价函数,对实际数据集中的噪声和异常点样本、边界模糊样本进行针对性地处理。通过该思想本文提出了改造于GMM模型的NGMM算法,除此之外,本文提出了在GMM模型下中智域I域以及F域的设计,分析了中智域在实际场景中可能出现的问题如归一化的问题、超参数敏感问题,并给予了相应的改进。与传统的GMM算法、用于处理噪声的模糊聚类算法相比,本文提出的算法能明显改善聚类算法在噪声以及数据不可分场景下的聚类和分类性能。(2)本文将NGMM模型应用于实际的图像场景:视频前景提取,应对视频数据中常见的噪声以及复杂的环境因素。在基于NGMM模型的视频前景提取算法中,本文将中智域融入了在线的EM算法中用于更新各个高斯分量的参数以及权值。本文的算法会使得参数更新的速率变慢,但是能在视频数据质量不佳的情况下获得更好的算法性能。