K均值聚类算法是一种划分算法,因此存在一些缺陷,为了解决此问题,模糊C均值算法引入了隶属度U,解决了“硬”划分问题,但是模糊C均值不能初始化聚类中心和聚类个数。近邻传播算法算法是一种新型聚类算法,在效率方面比传统的算法有优势,但是面对非球状数据集的时候,不能产生好的聚类结果,基于以上问题,提出以下几个研究方面:针对模糊C均值不能初始化聚类中心和聚类数的缺陷,本文首先使用Init-cluster选择初始聚类中心和聚类个数,当这些参数确定之后采用基于核函数的模糊C均值算法聚类。为了避免异常值对聚类结果产生影响,本文提出了一种基于角度的异常点检测算法,可以有效地检测异常值,该算法能有效的排除影响聚类结果的异常值,提高算法整体的抗噪性和准确性。面对在低维空间中高维数据集的线性不可分的问题,本文引入全局核函数和局部核函数相结合的方法,由于不同类型的核函数具有不同的效果,所以构造出的新型核函数的具备两种类型核函数优点。近邻传播算法是基于欧式距离来构造相似度矩阵,所以对流形数据集的聚类效果并不理想,本文提出基于图的相似性度量,重新定义了相似度,放大元素之间的细微差别,让我们不仅能处理正常数据而且对非球状数据也能处理。面对不断增加的数据,如何基于现有的聚类结果进行动态增量聚类变得非常重要,传统的聚类算法只能聚类静态数据点。本文从元素之间的夹角出发,另辟蹊径,提出基于角度的增量聚类算法,避免了大量的重复计算。本文在KFCM聚类结果的基础上,提出类与类之间的相异度,根据相异度的大小直接把数据分配到对应类别中,解决了传统聚类算法无法聚类动态数据集的缺陷。实验表明,这可以节约时间,提高了效率。