随着人类社会的发展与科学技术的进步，在实际问题中经常遇到分类的问题。聚类是一个古老的问题，它伴随着人类社会的产生和发展而不断深化，人类要认识世界就必须区别不同的事物并认识事物间的相似性，而每个概念的最初形成无不借助于事物的聚类分析。因此，聚类分析的研究不仅具有重要的理论意义，也具有重要的工程应用价值和人文价值。 聚类算法虽然经过多年发展，取得的丰硕的成果，新算法的提出层出不穷，但是仍然无法找到一个普遍适用的方法，有很多问题现在还是无法解决。随着现代算法的研究深入，将会有助于加速模糊聚类的发展。 本文以模糊数学理论为基础，面向模糊聚类算法，系统介绍了模糊聚类的面向目标函数的算法，研究分析了对FCM算法产生影响的相似性准则、原始数据集、聚类原型三个问题，指出FCM算法当前存在的优点和不足。本文着重讨论了基于模糊逻辑神经元的聚类网络、Cauchy训练的模拟退火算法、FCM算法，并对算法进行了改进和混合，给出了基于模糊逻辑神经元的聚类网络和Cauchy训练的模拟退火算法为基础的FCM算法，试验证明该算法的有效性非常高，在随机给出的初始聚类中心的试验中有效率高达99％，具有非常好的性能。 对聚类分析的前期工作，样品数据规格化、距离计算、关联程度的计算方法进行了归类和评述。介绍了模糊数学的相关概念，对模糊聚类使用到的模糊理论做些相关分析研究。通过模糊数学的引入，为聚类引入模糊概念，更好的模拟现实完成聚类任务。对模糊聚类方法进行了介绍，分析了现阶段国内外模糊聚类的研究进展。 对基于模糊神经元的聚类网络算法进行了深入研究，主要在聚类过程中能量的变化，聚类有效性和聚类耗时，该算法对聚类原型的影响等方面做出分析总结。同时采用了引入频率参数和模拟退火算法，使单一的模糊神经元的聚类网络算法避免陷入局部极小值，提高了算法性能。 对模拟退火算法进行了系统分析，实现Cauchy训练改善模拟退火算法。对改进算法在能量变化、聚类有效性和聚类耗时加以分析。提出其和神经元算法混合改善神经元算法，减少神经元算法对初始聚类中心的敏感性。 本文共分六章，第一章讨论了聚类的基本理论和聚类的基础知识；第二章介绍了模糊聚类的数学基础模糊数学，对模糊聚类方法进行了介绍，分析了现阶段国内外模糊聚类的研究进展；第三章讨论了面向目标函数的模糊聚类法，着重讨论模糊C-均值算法；第四章讨论了神经网络算法在模糊聚类中的应用和不足，提出了改进；第五章提出了基于模糊逻辑神经元的聚类网络和Cauchy训练的模拟退火算法为基础的FCM算法，具有非常好的性能；第六章是全文的总结和研究工作的展望。