近年来,随着不确定性数据的广泛出现以及数据挖掘技术的不断兴起,对不确定数据内在信息挖掘手段的研究也逐渐得到了人们的关注。聚类算法作为数据挖掘中的经典方法之一,如何将其运用于难以解释的不确定数据集,已然成为了重要的研究课题。区间型符号数据作为属性不确定数据的重要表现形式,本文对现有的不确定数据聚类算法展开讨论,分别提出了基于模糊C-均值(FCM)与基于DBSCAN的不确定区间数聚类算法,以此提高相应不确定聚类算法的运行效率。首先针对不确定区间数聚类算法中,区间数内的点通常假设成服从均匀分布,难以表达其真实属性,本文基于四分位数思想设计了适用于一般分布区间数的距离度量——MQ(median quartile-spacing)距离,准确刻画了属性不确定数据。由于FCM的聚类结果受到初始聚类中心影响较大并且隶属度更新速度慢,本文基于密度思想采用随机抽样策略设计了初始聚类中心的优化选取方法SDCS(sampling-based density center selection),提升了算法精度;接着利用竞争学习思想构建了相对加速隶属度更新策略,减少了算法的运行时间,于此提出了一种基于一般分布属性不确定区间数的不确定EFCM-ID(efficient fuzzy cmean for interval valued data)聚类算法。由于DBSCAN在聚类时受到人为设置的邻域半径Eps和邻域范围内包含点数目阈值MinPts影响较大,设计了基于邻域内样本方差变化的邻域差分扩张法NDEM(neighborhood differential expansion method),使算法在密度扩张时能够充分考虑到样本的空间分布形态,于此提出了一种自适应密度聚类算法ADBSCANID(adaptive density based spatial clustering of applications with noise for interval valued data)聚类算法。在模拟产生的不确定数据集上进行了实验,验证了MQ距离的有效性,同时展开了EFCM-ID和ADBSCN-ID的相关对比实验,结果表明EFCM-ID和ADBSCAN-ID聚类算法在不确定聚类算法中能够得到较为优秀的结果。