在电子商务推荐系统、社交网络分析、生物医药等领域普遍存在重叠聚类问题。每天都在海量增加的增数据使得数据间的关系变得更复杂,类与类之间的重叠问题更加突出。如何对海量增加的数据进行聚类分析,挖掘出有用信息已成为数据挖掘领域的难点问题。因此,研究一种同时解决增量和重叠问题的聚类算法成为关键。三支决策思想的出现为重叠聚类提供了新的解决思路。基于树结构的三支决策增量聚类算法(TIOC-TWD算法)同时解决了增量和重叠问题。但TIOC-TWD算法在计算相似度时没有考虑到属性重要度不同的问题,且算法只对纯数值属性数据适用,不能处理混合属性数据集的聚类。针对以上问题,本文分别对增量数据的重叠问题和静态混合属性的重叠问题进行研究。论文主要完成以下工作:1.为解决增量数据的重叠聚类问题,给出了一种基于属性重要度的加权TIOC-TWD聚类算法(W-TIOC-TWD算法)。改进TIOC-TWD聚类算法中的距离计算公式,将属性重要度考虑到距离度量中,属性权重的引入弥补了原聚类过程中将所有属性的贡献度视为相等的不足。分别在人工数据集和UCI数据集上验证W-TIOC-TWD算法的有效性,实验结果表明W-TIOC-TWD算法比原算法具有更高的聚类准确率和稳定性。2.针对静态混合属性数据集的重叠聚类问题,给出了一种基于三支决策的混合属性聚类算法(MAW-SOC-TWD算法)。该算法定义了一种新的混合属性权重系数分配方法,并改写了 SOC-TWD算法(TIOC-TWD算法中针对静态数据聚类的算法)的距离计算公式。在UCI数据集上验证算法的有效性,对比实验结果表明本文所提的MAW-SOC-TWD算法比现有的算法具有更高的聚类准确率。