对不完备数据的处理一直是数据分析和模式识别领域的重要研究内容。在现实世界中,受噪声、人为错误等主客观因素的影响,获取的数据常包含缺失值。数据的不完备性给聚类分析带来了巨大挑战,不完备数据难以直接使用常见的聚类算法进行聚类分析,对不完备数据不同的处理方法常常得到不同的聚类结果。如果处理不好,会给聚类结果带来明显的偏差甚至直接产生错误结果。因此,本文研究了基于伪近邻及区间距离的不完备数据聚类算法,主要内容包括：(1)针对缺失属性值的不确定性,本文提出了基于伪近邻区间的不完备数据模糊c均值聚类算法。首先根据伪相似度确定不完备样本的伪近邻样本,利用伪近邻样本的属性值信息,将不完备样本的缺失属性值描述为区间数,样本的完备属性值则描述为两端数值相等的区间数,从而将不完备数据集转化为区间型数据集,最后对区间数进行聚类。该算法使用伪相似度寻找不完备样本的近邻关系,同时考虑了样本间的余弦相似度和样本属性值的完备性；另外,缺失属性值的区间型描述充分考虑了不完备样本的近邻样本属性值分布信息,相比数值型描述更能体现缺失属性值的不确定性。(2)为了计算不完备样本到聚类中心的距离,本文利用三角不等式和伪相似度提出了一种描述不完备样本到聚类中心之间大小的区间型距离,基于此给出了一种基于三角不等式的不完备数据模糊c均值聚类算法。首先所提距离的区间型描述一定程度上反映了缺失属性值的不确定性；在区间型距离的计算过程中,三角不等式和伪相似度的使用充分考虑了不完备样本近邻样本的分布信息,在一定程度上对区间的端点值进行了合理的估算。最后给出了不完备数据集下基于该距离的模糊c均值聚类算法,由于没有直接对缺失属性值进行数值估算,在聚类迭代过程中避免了误差的迭代累积。