随着科学社会和信息技术的不断发展和完善,Internet和Web数据处理技术也迅速被普及,人们获取信息的方法也是呈现多样化,随着数据信息量的不断增大,数据之间存在着怎样的内部结构关系给人们带来了极大的兴趣,但是又没有很好的办法来获取这些数据内部的信息,这就迫使人们急需找到一种快速解决的办法。聚类分析作为数据挖掘中一个重要的研究方法,就是用数学的方法来研究和处理已给定对象的分类。“人以类聚,物以群分”就是这一思想最好的诠释。聚类分析在知识发现、机器学习以及数据挖掘这些领域当中是一个极其重要的基本工具。聚类分析就是在没有先验知识的前提下,只是根据数据之间的相似性将数据进行分类,使得划分到同一类中的数据特征尽可能的相似,所以聚类分析属于一种无监督的模式识别方法,在模式识别当中是一个非常重要的研究领域。对模式识别的研究是为了建立可以自动判别输入数据类别信息的分类系统,无监督的聚类分析算法可以挖掘出数据潜在的信息结构,目前被广泛的应用到各个数据分析领域当中,包括计算机视觉分析、图像处理、生物科学、社会科学以及医疗信息等。本论文主要详细的介绍了基于模糊关系的聚类分析和基于神经网络的聚类分析,以及基于Takagi-Sugeno型模糊系统的模糊神经网络的模式分类。并针对三维输入空间的模式样本,选取论文中的一些模式分类方法,并通过数学软件MATLAB编程实现了模式样本的分类。论文的主要工作如下：1.介绍了聚类分析的算法和应用,综述了聚类分析产生的背景和研究现状,并对基于模糊关系和基于神经网络的聚类分析的算法做了详细的阐述。2.选取文中的一些模式分类方法,利用MATLAB软件,通过编程实现了三维输入空间的模式分类。3.由于ANFIS系统的灵活性,结合MATLAB软件强大计算、仿真功能,利用ANFIS构建了一种基于Takagi-Sugeno型模糊系统的模糊神经网络,实现了三维模式的分类。