对海量数据进行深层次的分析利用推动了数据挖掘技术的发展,聚类分析作为数据挖掘中的关键算法,已应用到众多领域。基于聚类分析与培养质量评估在本质上的一致性,可将该算法应用于研究生培养质量评估领域。针对培养质量数据集多样性和模糊性的特点,本文提出了一种面向培养质量评估的特征加权聚类算法,可以对培养质量进行高效、精准地聚类分析。本文的主要研究工作如下:（1）深入研究HCM算法和MG算法的核心思想,针对其为硬划分且对初始聚类原型较为敏感的缺陷,引入隶属度函数将算法扩展为软划分。通过计算样本数据的最小距离与高密度点,对初始数值原型和初始分类原型进行有效地选择,提高了算法的稳定性和收敛速度。（2）本文提出了一种基于马氏距离的相异度计算方法。考虑样本特征关联和总体差异,利用样本分布计算马氏距离的协方差矩阵,引入比例系数计算聚类中已分类样本和未分类样本的概率统计,减小协方差矩阵的估计误差,降低高维特征下对样本数据的误分率。（3）利用改进的相异度寻找聚类质心的K近邻样本,在此基础上定义簇内离散度和簇间离散度计算数值特征的权值,采用互信息分析分类属性对聚类的依赖程度来计算其权值。对聚类质心迭代更新时,采用贪心策略并融合样本特征的权值矩阵寻找其近似最优解。在UCI数据集上利用多种算法设置对比实验,验证了本文算法的有效性。（4）构建培养质量评估指标体系,基于该指标体系进行数据采集和极差正式化处理。利用本文算法对培养质量数据集进行聚类实验,分析培养质量的分布比例和评估要素的权重变化。实验结果表明,该算法可以挖掘提升培养质量的关键要素,避免了评估过程的主观性。