该文首先系统的介绍了数据挖掘的基本技术,重点介绍了聚类分析的相关技术.在深入分析客户信息数据库CID(Customer Information Database,CID)数据的基础上,依据专家建议,确定该文的挖掘目标:对银行客户进行聚类分析,在客户中发现不同的客户群,从而有助于金融政策的调整和制定.其次,针对CID数据库中数据的特点以及该文的研究目标,该文采用属性选择、数据清理、属性重构、数据归约和数据变换等方法对CID数据库进行处理.数据预处理技术改进了数据的质量,提高了聚类分析过程的精度和性能.另外,该文着重对聚类算法进行了研究.由于CID数据库同时含有数值型数据和符号型数据,该文选用K-Means算法及其变形作为主要方法,采用两种策略对CID数据库进行聚类分析:一种是把符号类型的数据转化为数值型数据,用能处理数值型数据的K-Means算法进行分析;另一种是直接利用可以处理混合属性的K-Prototypes算法来进行聚类分析.然后分别对这两种方法的聚类结果进行了分析,并对这两者的效率进行了对比.直接K-Means算法其时间复杂性与对象数目和聚类数目成比例,当对大型数据库进行分析时,其计算代价是相当高的.针对其在处理大数据集时的不足,该文给出了基于k-d树的K-Means聚类分析算法.该方法采用k-d树作为主要的存储结构,将数据信息存放在k-d树中.实验表明,其运行效率较直接K-Means算法有了明显的提高,充分显示出采用k-d树作为存储结构的优点.最后,该文总结了已有的研究工作,并对未来工作进行了展望.