聚类分析在模式识别的研究中占有重要地位。本文针对现有聚类算法存在的问题，提出一系列新的聚类算法和新观点： 竞争学习的新算法克服了现有竞争学习算法的缺陷，充分利用数据集的几何结构信息，提高了聚类速度和准确性，使竞争学习的理论得到进一步发展；隶属度的新解释对正确认识模糊聚类、硬聚类和可能性聚类的优点和缺点具有重要的理论价值；对手抑制式模糊C-均值聚类算法有效地提高了算法的收敛速度，具有较大的理论与应用价值；对现有的两类模糊C-球壳聚类算法性能的研究成果填补了球壳聚类算法研究中的空白；针对现有基于欧氏距离的模糊C-球壳聚类算法的不足，提出的新算法在收敛速度和聚类准确性上都具有优良的性能；基于距离修正的模糊C-球壳聚类算法有效地提高了算法的收敛速度；对模糊联想记忆规则的新观点，阐明了规则遗漏对模糊联想记忆性能的影响，澄清了模糊联想记忆创始人的一个不妥当的结论，对正确认识和理解规则的作用有重要意义；针对现有模糊联想记忆规则提取的聚类算法存在的问题，提出的规则提取新方法具有重要的应用价值。 综上所述，本文在竞争学习算法、模糊C-均值聚类算法、模糊C-球壳聚类算法和模糊联想记忆规则提取的聚类方法的研究中作出了较大贡献，取得的成果丰富了聚类分析的理论体系，具有重要的应用价值。