聚类是利用相似度量将数据集划分为若干个子集的一种无监督学习算法。由于在模式识别、图像处理和数据挖掘等方面,许多的数据含有模糊信息,因此,基于模糊信息的核聚类算法的研究和应用引起了众多研究者的高度重视。由此,本文的主要研究内容如下:首先,针对含有模糊信息的聚类问题,通过模糊规则表示从数据集中提取的模糊信息,再利用模糊等价关系核化模糊规则,即得到模糊信息表示的核函数。其次,基于经典核聚类算法,将模糊信息表示的核函数应用于核聚类算法,即得到基于模糊信息的核聚类算法,进一步给出算法的流程。最后,利用两个实际问题验证基于模糊信息的核聚类算法的有效性以及优越性。具体如下:(1)针对基于模糊信息的半正定核函数聚类算法,应用汽车评估数据集进行仿真验证。先通过对汽车数据进行整理及特性分析,提取模糊信息并通过模糊规则公式化可得到聚类数,然后选择合适的隶属函数对模糊信息做定量描述并仿真,与此同时将汽车评估数据集应用于模糊C均值聚类算法与核聚类算法中,通过有效性指标对所得聚类结果进行评估与对比。(2)针对基于模糊信息的正定核函数聚类算法与负定核函数聚类算法,应用网购用户行为分析数据集进行仿真。由于此数据集属性多样化,所以要经过分析重新定义关于特性的指标,然后将指标的模糊信息通过模糊规则公式化得到聚类数并确定隶属函数,其中的参数由前面整理的数据得到,并进行仿真,接着将网购用户行为分析数据应用于模糊C均值聚类算法与核聚类算法中,并通过有效性指标对聚类结果进行评估与对比。