数据挖掘技术与日常生活的关系已经越来越密切了,人们对数据挖掘技术在某些领域中应用的兴趣与日俱增。数据挖掘技术已在生物医学、金融业、零售业、电信业等多个行业被广泛应用于客户关系管理、市场趋势预测等领域,为管理者进行决策提供了更有价值的信息依据。同时,数据挖掘也是市场竞争的需要,它为决策者提供重要的、前所未料的信息和知识,从而产生不可估量的效益。聚类分析是数据挖掘技术的一个重要分支,它既可以作为独立的数据挖掘工具进行有效的数据分析,又可以作为其它数据挖掘方法的数据预处理步骤,为其它数据挖掘方法提供有效的数据支持。所谓聚类,就是将物理或抽象对象的集合分成相似的对象类的过程。在同一个类内的对象间有较高的相似性,而不同类间的对象具有较大差别。到目前为止,广大研究工作者针对于不同的领域和数据类型已经提出了很多种不同的聚类方法,但这些方法仅适用于特定的领域。而且在理论和方法上还存在很多不足。本文对聚类分析技术进行了详细的分析和探讨。首先介绍了聚类方法的划分,详细的阐述了各种聚类算法的核心技术。并且探讨了传统聚类算法的诸多优点和不足。针对已有聚类方法中存在的种种问题,本文根据类的定义和约束条件提出了基于数据连续性原理的聚类方法。根据连续性原理提出离散状态下相对连续的理论。确定了离散状态下相对连续的评价标准。引入了支持度和隶属度的概念来确定最终的聚类结果,并通过实验对算法进行了有效的验证。