聚类分析作为数据挖掘领域的一个重要技术,被广泛的应用于医疗诊断、图像处理、信息检索、数据压缩和机器视觉等多个领域,其发展前景越来越受人们的关注。近年来随着信息化时代的到来,人们所接触到收集到的数据量越来越大,信息中所隐藏的信息也越来越复杂,人们迫切希望找到一种简单高效的聚类算法来对数据进行提取分析,因此对于聚类分析算法的研究具有重要的实际意义。在目前的各类聚类算法中,层次聚类以其简单的逻辑原理以及准确的聚类结果,得到了人们的广泛应用。但是该算法对数据中的孤立点较为敏感,不能很好的处理含有孤立点的数据集,此外该算法由于需要重复的进行相似度计算,从而导致了较高的时间复杂度和空间复杂度,使其不适用于大规模数据处理。本文主要针对层次聚类算法的以上不足,进行了如下两个方面的研究:(1)针对层次聚类算法对孤立点敏感的不足,提出一种基于能量场的改进算法EFHC (Energy Field Hierarchical Clustering),该算法将引力场的概念引入到孤立点的检测中,将数据中的每个点看成引力场中具有一定能量值的能量点,根据数据点与孤立点场能的不同,识别出场能较低的孤立点,并将其去除,该算法可以有效的去除数据集中的孤立点,提高聚类的精确性。(2)针对层次聚类算法计算复杂度过高的不足,提出一种新的基于数据切分的改进算法DHC (Divide Hierarchical Clustering),将大规模数据分块切分为小规模数据,然后对小数据块逐一进行聚类处理,得到每块数据中的代表信息,并在之后对其进行整合处理,进而将原有大数据进行聚类,通过在UCI数据集和机器合成数据集上的实验验证,该算法与原有算法相比大大的降低了时间复杂度,并且使聚类质量也得到了相应的提高。