近年来聚类分析在数据挖掘中的应用越来越广泛,它可以作为独立的工具来分析数据的分布情况,也可以作为其它算法的预处理方法,还可以作为离群点的检测等。在本文中阐述了一些经典的聚类方法,如划分方法,层次分析方法,基于密度方法和其它一些聚类方法。在此基础上,以组合优化中的选址问题的理论与算法为基础,结合聚类分析中的K-means算法,提出了两个数据挖掘中的聚类方法：KCG-KM算法和HS-KM算法。然后从数值模拟的角度对这两个算法进行了性能分析,数值模拟结果说明在聚类效果上这两个算法比K-means算法好：HS-KM算法较K-means算法的平均DI提高了12.9%,KCG-KM提高了7.32%,平均CS值HS-KM算法较K-means算法降低了4.95%,KCG-KM算法较K-means算法降低了4.53%。在运行时间上,KCG-KM算法较K-means算法下降了26.6%。由于聚类分析中的层次分析方法中由上而下的分裂是较少的,本文从最大割问题中引入了两个新的分裂方法-MCG算法和GW算法。分析了MCG算法可以在O(n2)运行次数内输出一个划分而GW算法却是一个指数算法。通过数值模拟也验证了MCG算法远快于GW算法,并且MCG算法适合大规模数据的聚类分析。但在分裂效果上,GW算法可以较好的对多种结构的数据集区分出不同分布上的数据点。最后,本文应用KCG-KM算法与GW算法对银行客户进行分类,将客户分成了8类,并对这8类客户进行分析。最后提出适合这8类客户群的资产配置和适合该类客户群交叉销售的产品。