聚类技术作为数据挖掘领域的重要分支,其目的是采用一定的手段(算法)将数据集划分为有意义的类(或簇),使得同一类内的样本在一定的标准(或规则)下相似性较高,而不同类的样本则表现较高的相异性。目前聚类技术已经在模式识别、生物医学、工业生产等诸多领域得到广泛的应用。聚类过程的算法选择和基于聚类有效性指标的聚类结果评估是聚类过程中最为重要的步骤。目前,国内外学者针对不同的数据集结构及应用背景提出了多种不同的聚类算法,其均有一定的适用性及局限性。聚类指标的有效性评价则对一个确定的目标数据集在不同算法下的聚类结果提出了一个量化标准,有助于评估不同算法表现的优劣性或者同一算法对不同参数的敏感性。本文在现有的聚类算法和有效性指标基础上,对近些年发展起来的谱聚类算法进行了分析研究,提出了基于NJW(Ng-Jordan-Weiss)算法的聚类评价指标,用以评估聚类的类数,另外,针对电学层析成像技术,提出了依据有效性指标进行聚类算法选择的方案。在本文中,作者主要做了以下方面的工作及研究:对现有的聚类算法和聚类有效性指标做了比较分析和分类描述,总结出若干典型聚类算法的应用背景及局限性;对近些年发展起来的谱聚类算法做了概述,并总结了现有谱聚类算法的基本流程,在此基础上提出了基于NJW算法的聚类评价新指标,该指标在人工数据集及真实数据集的测试中均验证了可行性,聚类准确性优于已有的指标;将聚类算法应用到了电学层析成像技术中,对样本数据集采用四种不同的算法聚类并成像,在Silhouette指标下进行了结果评价,选择出最优的聚类算法并与不同算法的重构结果进行可视化对比。证实了在电学层析聚类成像中依据有效性指标进行算法的选择是可行的和有效的。