贝叶斯分类器作为著名高效的有指导学习算法之一，受到广泛的关注，但是其在聚类分析(无指导学习)上的应用还非常有限，基于贝叶斯分类器的聚类算法和其它常用聚类算法的比较工作几乎没有。 在论文中，作者设计并实现了一个新的算法，该算法结合贝叶斯分类器(Bayesian Classifier)和Expectation Maximization(EM)算法做聚类分析，简称这个方法为-"BC+EM"。 论文作者首次将BC+EM算法集成到weka中，这个算法可以随意地选择任何贝叶斯分类器来做聚类，它在聚类和分类之间建立了直接的联系。为了算法系统比较的目的，作者首次在weka中建立起了聚类算法比较的试验环境，该项工作对于世界上其他机器学习研究人员做聚类算法的比较是非常有帮助的。 文中选择了四种有代表性的算法-EM，K-Means，Cobweb以及Farthest First和BC+EM比较。其中，EM是基于混合模型的聚类算法，K-Means是基于距离的聚类算法，Cobweb是基于层次的聚类算法，Farthest First结合了基于距离和基于层次的混合聚类算法。我们对这五种算法做了系统的比较，选用的数据是36组不同大小和复杂度的国际通用的标准数据集。试验结果表明BC+EM在大部分数据中明显地胜出其它四种算法。