数据挖掘技术是近几年国内外迅速发展起来的一门交叉学科,是利用数据库、统计学、人工智能与机器学习等学科的技术对大量数据进行处理,提取隐含其中的、人们事先不知道的潜在有用信息和知识的过程。已经广泛被应用于农业生产、金融保险、国防等领域。聚类用于从数据集中找出相似的数据并组成不同的组,聚类分析是数据挖掘的一项重要内容。有很多方法可以使数据分类,公认的方法包括基于划分的算法、基于分层的算法及基于网格和密度的算法。模糊聚类方法将模糊数学的理论应用于聚类分析,能有效处理边界模糊的数据分类,模糊聚类算法的出现与之前的硬聚类方法相比,更有现实意义。然而,由于数据库结构多样性的特点,到目前为止,没有任何一种聚类算法普遍适应于所有数据库。在应用中,大量的聚类分析任务都需要特定算法来完成。传统的模糊聚类算法虽然能处理大量边界模糊聚类问题,但仍存在不少问题。本文针对模糊聚类中存在的问题,通过对模糊聚类新算法的对比研究,作了如下工作:首先,介绍数据挖掘和聚类分析的理论基础,并重点对模糊聚类方法FCM,NFWFCA进行分析对比。其次,详细的分析了聚类分析中的问题:指标冗余,指标权重以及敏感性问题等。这些问题导致聚类正确率下降,运行效率下降。再次,为了更加有效的解决这些问题,本文引入粗集理论。利用粗集理论中的属性约简方法对FCM算法进行改进,经过比较,看到改进后算法可以有效的提高其分类正确率,并对指标权重和敏感性问题也有所改善。最后,将改进的算法应用到信息检索系统,对信息检索系统检索结果进行重聚类,为高效信息检索系统构建提供理论依据和科学方法。