互联网技术的高速发展带来了数据的极大丰富，然而传统的聚类分析技术在面对如此庞大的样本空间时存在着局限性。符号数据分析产生于上个世纪80年代，它是针对海量数据进行知识发现和规律挖掘的一套理论方法。聚类作为一种解释复杂数据关系的技术在符号数据分析领域有着广泛的应用。但现有符号数据聚类分析的研究大多假设个体在区间内服从均匀分布，这往往并不符合实际情况。针对此问题，本文对一般分布的分布式符号数据和区间型符号数据动态聚类方法展开研究。首先给出了两种常用的符号数据的定义——分布式符号数据和区间型符号数据，随后对分布式符号数据的聚类分析进行了一些探索性研究，包括分布式符号数据的形成，一般分布情况下的距离度量，以及动态聚类算法等。以鸢尾属植物数据集为例，将其分组形成符号对象，并在其上进行动态聚类分析研究，以说明本算法的实用性。考虑区间数所包含个体的分布信息，基于Hausdorff距离提出了一种新的多维区间型符号数据距离度量。基于此，给出一般分布的区间型符号数据动态聚类算法。通过随机模拟试验对文中方法进行有效性评价，结论表明，在各种实验设计的条件下，考虑一般分布的动态聚类算法有效性均优于均匀分布假设下的动态聚类算法。最后将文中方法应用于汽车的聚类分析，进一步体现了文中方法在解决实际问题中的优势。本文针对多维分布式符号数据和区间型符号数据分别提出了动态聚类算法，并运用聚类有效性指标对其评价。应用研究结果表明，无论对于分布式符号数据或是区间型符号数据，本文所提出的一般分布的前提条件下的动态聚类分析方法较之均匀分布假设下的传统方法更有效也更客观。