现在是大数据时代,任何行业都会有大量的数据产生,怎样从这海量的数据中挖掘出有用的信息,是我们面临的巨大挑战。而高效的聚类算法,是挖掘到有用的信息的重要手段,也是目前研究的热门课题。在众多聚类算法中,模糊聚类采用模糊数学对事物进行描述和分类的方法,近年来颇受国内外学者的关注。论文的重点工作概括如下:（1）本文的前期工作中,对模糊聚类算法和粗糙集理论做了调研。模糊聚类根据样本间的特征、相似性建立模糊相似关系,对客观事物进行聚类,可以有效地处理不精确问题。但如果样本量较大时,要获得聚类结论就会有一定的困难,且容易陷入局部最优,而粗糙集理论则可以对模糊聚类的这两个缺点进行改进。（2）本文利用粗糙集理论,从上、下近似逼近的角度,在保持分类能力不变的前提下,通过对上近似集中的样本,进行边界域划分,借助上、下近似集中的样本对隶属度的影响,更新隶属度矩阵和类中心,使其每次的迭代结果更加精确,从而提高聚类的效率。利用粗糙集的思想,在模糊聚类的基础上提出了粗糙模糊聚类算法。本文使用java语言在eclipse上实现了该算法,并在UCI数据集上对所提出的算法展开了对比科学实验。实验表明,引入上、下近似后,聚类的准确率较之前有所提高,改进后算法的目标函数收敛更快,并且更稳定,比改进之前的算法更适合处理样本较多的高维数据集。（3）采用粗糙模糊聚类的方法,设计了一个车牌识别系统。利用改进后的聚类算法,有效提高了车牌字符识别的准确性能,可以对车牌的汉字、数字和字母进行识别。实验表明,RFCM算法能够有效地识别车牌。