目前,动态聚类算法的研究及其应用是当今数据挖掘领域研究的一个热点。在临床医学数据分析研究领域中,利用聚类算法对医学数据进行聚类分析,不仅可以提高海量医学数据有效直观的表现形式,还可以帮助我们挖掘出数据中隐藏的模式和知识,从而提高人们对于生物医学现象机理和本质的认识。传统的医学数据聚类分析主要基于静态的方法(如K-means算法),即对某个数据样本进行独立的聚类分析,并不包含任何时间信息；对于时间序列的医学数据的聚类分析只是多次静态数据的聚类分析的重复应用,并没有考虑医学数据时间上的关联性。本课题创新性地将动态聚类算法应用于动态医学数据的分析。针对动态医学数据的前后时间关联特性,本课题提出的算法一基于K-均值的动态修正算法(Dynamic K-means, DKM),该方法基于医学数据前后时间的关联性,在分析当前时刻数据的同时也结合了历史数据对其的影响,对聚类结果的准确性有很大的改进。针对通常聚类算法类数恒定不变的弊端,本课题算法二,应用Dirichlet过程和隐马尔科夫模型构造产生数据的混合模型,通过计算数据后验概率对数据进行聚类,聚类过程中,类数根据样本的状况自动修正。将上述算法应用于人工肝临床数据上,实验证明算法聚类相比传统静态方法准确度更高,得到的最优聚类结果也具有医学临床意义。