作为数据挖掘中的一项重要技术,聚类分析具有广泛的应用领域。数据对象的聚类过程是一种无监督自学习的数据分类过程,聚类分析算法的研究是一个极具挑战性的研究课题。传统的聚类算法,比如K均值算法、模糊C均值算法、GK模糊聚类算法,都需要每一个观测对象包含相同的采样特征(相同数目的采样点、相同的采样时间等),但这样的限制条件太苛刻(在医疗诊断、人口普查等情况下就很难满足),导致这些算法不能直接应用于采样特征不同的采样对象。传统的近似方法首先对异步采样数据进行插补处理,然后重新进行同步采样,最后对同步数据应用标准的聚类算法。但是这种传统的方法在插补过程中增加了额外的信息,严重影响了聚类效果。为了解决这一问题,论文介绍了模糊近旁的概念,分别给出了单采样点到异步观测对象和观测对象间的模糊距离范式,有效解决了异步采样数据间距离的度量问题。并应用上述两个概念,改进了标准的模糊C均值聚类(FCM)算法,将之直接应用于异步采样数据。这种算法被称为基于模糊距离范式的模糊C均值算法,简称为F2CM聚类算法。论文在聚类分析基本概念的基础上,对模糊聚类分析进行了归纳总结,并回顾了理解F2CM算法需要的前序知识。在分析讨论F2CM算法后,将其应用于异步采样实例,获得满意的聚类效果,证明了F2CM算法的有效性和正确性。通过ACTG320艾滋病数据实例证明了该算法可以有效的解决实际问题。实验证明F2CM算法在处理异步数据时的聚类效果远优于传统的近似方法。