数据挖掘技术将有价值的信息和知识从海量的数据中挖掘出来,而聚类分析作为数据挖掘的一个重要分支,被广泛应用于生物医学、金融、互联网、图像处理等领域。其中,基于划分的聚类算法具有思想简单、时间复杂度低,更适于快速处理海量数据的特点,因此更具研究意义和实践价值。模糊C均值(FCM)聚类算法作为一种常用的基于划分的聚类方法,存在K值不确定、对初始簇中心点敏感等问题。针对以上问题,本文提出了改进算法,并将该算法应用于烟支的质量检测。论文的主要工作如下:(1)将Canopy算法和密度峰值聚类算法思想运用到FCM算法中,提出了改进FCM算法初始簇中心的方法。针对传统FCM算法的聚类数目不确定且聚类结果对初始簇中心的选择过度敏感的不足,本文提出了结合Canopy算法及密度峰值算法优化的FCM算法。首先使用Canopy算法对样本数据集进行一遍聚类,得出簇中心点的个数。进而结合密度峰值算法的思想,构造簇中心选择指数,确定较为精确的初始聚类中心点。在UCI数据集上的实验结果表明,本文提出的算法较传统的模糊C均值聚类算法,能更快的找到最优的簇中心点,并加快了算法的收敛速度,具有更好的性能。(2)将本文提出的聚类算法应用在烟草行业中,在烟支数据集上进行了两组实验。首先使用本文提出的聚类算法对烟支进行品牌划分及预测,使不同品牌的烟支划分到不同的簇中,相同品牌的烟支聚到同一个簇中。其次,通过分析烟支的单重、长度、圆周、吸阻等物理指标,用本文提出的聚类算法寻找离群点,进而找到烟支数据的不合格产品,并计算各品牌烟支的合格率。两组实验证明,本文提出的聚类算法,在烟支的划分预测任务下可获得更好的效果,可辅助卷烟厂对烟支进行质量检测。