数据挖掘是指从数据库中发现隐含的、先前不知道的、潜在有用的信息的非平凡过程。近年来,数据挖掘在地理信息系统、遥感、图像处理、导航、环境等领域有着广泛的应用。然而,由于数据量大,数据类型、关系复杂,从这些数据库中提取知识非常困难。数据挖掘算法是数据挖掘的关键技术,提高挖掘算法的性能和效率是数据挖掘技术发展、创新以及应用的关键。聚类指的是把数据库里的对象分组成有意义的子集,使得一个类内的成员尽可能相似,不同类间的成员差异尽可能大。聚类具有无监督学习能力,被广泛应用于多个领域中,如模式识别、数据分析、图像处理以及市场调研等。使用聚类可以发现数据分布的疏密区域,从而找出数据总体的分布模式以及数据间有趣的相互关系。然而,现有的聚类算法存在着多种不足之处,如不具有良好的可伸缩性、不能发现具有任意形状的聚类、对输入数据的顺序敏感和不能处理高维数据等。论文针对聚类问题展开研究。首先,论文对数据挖掘主要聚类算法进行分析研究,并使用实验对部分算法进行仿真和讨论,对算法的主要参数对其性能影响进行分析,总结算法优缺点。其次,对神经网络中的自组织特征映射网络模型进行研究,并通过实验对网络特性进行分析讨论。再次,论文提出一种新的相似性度量标准:拓扑相似性,使用该相似性标准为聚类问题建立数据模型,并建立拓扑相似性矩阵表示该模型。结合自组织神经网络的特点,提出自组织映射网络族的概念,在该概念的基础上,提出一种新的基于自组织特征映射网络的聚类算法,详细阐述了算法步骤。实验结果证明,该算法具有多种优点,其聚类思想可应用到各种聚类中,为数据挖掘聚类问题研究提供了一种较好的思路。最后,对研究内容进行了总结,并指出了后续的研究方向,为进一步的研究开拓了思路。