聚类分析是数据挖掘中非常重要的一个步骤,该步骤将混乱的数据按一定规则聚集成一些具有现实意义的类别。这些聚集而成的类别为初始信息的挖掘以及后续更深层次的信息发现提供了强有力的支持,具有非常重要的研究意义。在现实世界中,不仅充斥着像身高、体重等可以用数值量化的数值型数据,更多的是像等级评价、颜色、职业等无法用具体数值量化的分类型数据。在这种情况下,对分类型数据的聚类算法研究就显得尤为重要。而分类型数据由于其数据的复杂性以及不可量化性,对其进行聚类算法研究面临着许多困难,研究成果远不如数值型数据聚类算法丰硕,可探索空间以及改进空间巨大。本文基于现有分类型数据聚类算法进行改进研究,提出了几种优于基础算法的改进聚类算法,本文所做工作主要如下:（1）考虑分类型数据集中不同属性的聚类贡献程度,提出了一种最大熵正则化加权模糊K-modes算法。该算法在模糊K-modes算法的目标函数中添加了特征权重熵,在最小化聚类内离散度的同时,通过最大化属性权重熵来强调重要属性特征,最终获得最优聚类结果。在UCI数据库的5个数据集上进行的实验结果表明,所提出的最大熵正则化加权模糊K-modes算法与模糊K-modes算法相比在聚类正确率、聚类精确度和召回率等方面均有提升。（2）针对直觉模糊K-modes算法在分类型数据聚类过程中采用简单匹配相似性度量和在聚类的每一次迭代中直接根据直觉模糊隶属度矩阵来确定数据对象所属类别的缺点,提出一种迭代直觉模糊K-modes算法。该算法首先基于直觉模糊集定义了一种加权的直觉模糊隶属度相似性度量;其次,将直觉模糊隶属度矩阵作为迭代信息贯穿于整个聚类过程,使算法中的直觉模糊思想得到充分体现。实验结果表明,该算法的聚类性能明显优于直觉模糊K-modes算法。（3）针对迭代直觉模糊K-modes算法受初始类中心影响较大的问题,提出了一种基于布谷鸟搜索的迭代直觉模糊K-modes算法。该算法首先通过布谷鸟搜索算法寻找K个优质分类型数据初始类中心,然后利用迭代直觉模糊K-modes算法一步聚类,最终得出分类型数据聚类结果。实验结果表明,基于优质初始类中心的选择,该算法的聚类性能得到明显提升,聚类表现优异,明显优于迭代直觉模糊K-modes算法。