聚类分析是非监督模式识别的一个重要分支,模糊聚类由于建立起了样本对于类别的不确定性描述,更能客观地反映现实世界,从而成为聚类分析研究的主流。模糊聚类已经被广泛应用于模式识别、数据挖掘、图像处理等许多领域。本文的研究工作主要包括以下两个方面:1.针对传统模糊核聚类算法没有考虑各维特征对聚类的不同贡献程度,以及易陷入局部最优等缺点,提出一种改进的模糊核聚类算法。该算法构造了一个简单有效的适应度函数,结合遗传算法全局搜索的优点,避免算法陷入局部最优。还为各维特征引入一个权系数,并利用ReliefF算法为特征加权。该算法比传统模糊核聚类算法有较大改进。实验结果表明了其有效性。2.提出一个新的模糊聚类有效性指标。该指标能确定由模糊c均值算法得到的模糊划分的最优划分和最优聚类数。该指标结合了模糊聚类的紧致性和分离性信息。用类内加权平方误差和计算紧致性,用类间相似度计算分离性。在3个人造数据集和3个著名的真实数据集上的对比实验证明了该指标的性能优于其它有效性指标。全文共分五章,各章的内容分别为:第1章是引言。介绍了本文的研究背景和意义,指出论文的主要研究内容,并对全文结构安排进行了简介。第2章是相关研究回顾及理论综述。较为详细的介绍了聚类分析以及模糊聚类算法的研究现状和相关理论。第3章重点描述了一种改进的基于核函数的模糊聚类算法,并对算法的聚类效果进行了对比实验和分析。第4章提出一个新的模糊聚类有效性指标V_N(c),并把新指标和现有指标在6个数据集上进行了对比实验。第5章是全文的结束语,包括对现有工作的总结和对未来工作的展望。