在现场乙烯生产过程中，乙烯收率不仅受到裂解过程中的操作条件如压力、温度、停留时间等影响，其裂解原料属性也是决定收率的重要因素，然而乙烯裂解原料种类繁多，仅石脑油类别就有上百种不同的油品属性，其馏程范围为30℃至220℃。在缺乏在线油品属性分析仪的情况下，考虑针对所有不同的油品属性进行建模不仅模型规模大，油品属性的频繁变化也导致在线实施优化，调控的困难。若能够根据乙烯裂解原料特征属性进行油品属性聚类，可有效降低建模成本，对优化乙烯产率、节能减耗具有重要现实意义。　　为了提高乙烯裂解原料聚类的准确性，本文提出了一种基于直觉模糊集理论的核聚类算法。即在定义隶属度时通过引入犹豫度来表征数据的不确定信息，同时利用直觉模糊熵对多核聚类算法的损失函数重新定义，使类簇中的数据点最优化，致使算法更善于处理工业中的模糊信息;由于乙烯裂解原料特征属性多，在以往文献研究中，均是根据烃类裂解反应机理的经验判断选择影响乙烯收率的主要特征属性，即以正构烷烃质量分数和异构烷烃质量分数作为特征变量标记不同油品，本文从考察原料属性与收率的关系出发，采用随机森林回归算法对裂解原料属性进行特征选择，量化不同属性对最终产率的贡献度，可依据对最终乙烯产率的贡献度来挑选聚类的主要特征属性。最后根据在工业现场采集的石脑油数据验证了所述算法的有效性。