决策树是一种有监督的归纳学习算法,它用于对有类标的数据集进行分类,而聚类是一种无监督的学习算法,它可以对无类标的数据集进行分组,使组内的数据相似性最大,组间相似度最小。21世纪以来,越来越多的学者开始关注两种方法的融合。本文提出了一种新型的基于无监督决策树的聚类算法,可以对没有类标的数据进行学习,从而对数据集进行划分。新型的基于无监督决策树的聚类过程实际上是构建一棵无监督决策树的过程,测试属性的选择采用离散度和不一致性评估的方法;结点的分裂采用改进的山峰山谷分裂法;算法最后一步规定了树生长延伸的停止标准用以限制树的生长。最终建成树的叶子结点代表聚类结果的簇。实验验证了这种算法划分数据集的有效性,结果表明该学习算法无论是与有监督的学习算法C4.5相比还是与无监督学习算法k均值相比,其划分数据的正确率在一定程度上都有所提高。同时,从生成树的规模角度与C4.5算法作比较,结果表明该算法在一定程度上优于C4.5算法。此外,分析了这种算法的时间复杂度,与其它算法比较说明了此算法有较高的效率。