高校研究生教育管理从粗放式向精益化模式进行转变,有效地改善了高校整体的培养质量状况,但是对其进行客观科学的评估则是当前任务的难点所在,有些高校采取简单评估的方式对学生进行评价,但人数的增多使评估方法的弊端越来越多的凸显出来。伴随着高校信息化的建设,各个高校的数据库已存储了大量研究生培养数据,这些数据目前并未得到深度地分析应用,如果对这些数据进行深度挖掘,可以获得潜在的信息,为高等院校提供决策支持,相比简单评估更具有价值。本文首先总结分析了现阶段常见研究生培养质量评估方法的优缺点,在此基础上,针对研究生培养质量数据量大且多样化、数据具有模糊边界特征的特点,研究了模糊K-Prototypes聚类算法;其次,针对该算法对初始聚类中心敏感且不能处理密度分布不均的数据问题,对算法进行了改进,提出了基于密度与最大最小距离的数值属性初始聚类中心选取方法以及基于高密度点的分类属性初始聚类中心选取方法;最后,提出了基于FKP改进算法的研究生培养质量评估方法,通过武汉理工大学研究生的培养质量数据验证提出算法的有效性。在本部分采用基于信息增益方法对培养质量属性进行筛选,基于筛选得到的特征属性集,与高等院校实际需求相结合,构建了多因素多层次的培养质量评估指标体系,根据二级指标采集研究生培养质量数据,得到分析数据集,采用FKP改进算法对分析数据集进行聚类,得到每类研究生的培养质量特征,最终根据制定的培养质量评级标准得到相应的质量评级。将FKP改进算法与传统的FKP聚类算法进行了对比实验,体现了本文提出改进算法的优越性,在此基础上,研究了权重系数的取值对FKP改进算法的影响,得出聚类效果达到最佳的取值范围,与此同时,对实例进行了分析,提出相关的建议。