在当今社会,聚类分析是人们处理各种数据挖掘问题的重要途径之一。神经网络具有自学习、高速寻找优化解等优点,运用神经网络算法求解聚类问题是近年来的研究热点。弹性网络算法(ENA)是一种强大的神经网络算法,具有网络结构简单、自学习等优势,但其主要用于旅行商问题,很少用于求解聚类问题。本文通过对当前聚类算法、神经网络和弹性网络算法在国内外的研究现状进行了分析和研究,然后就当前主要聚类方法的特点及优缺点进行了分析。面向聚类问题的特点,从聚类数给定与未给定两个方面出发,提出了分别针对两种情况下聚类问题的聚类算法:基于中心漂移的聚类弹性网络算法(CMENA)和基于中心漂移的自适应弹性网络聚类算法(ENACS)。CMENA算法从聚类的评价指标之一:SED(Sum of European distances)值出发,调整并优化了弹性网络的结构,使得弹性网络的能量函数的最小化与聚类问题的目标函数值的最小化同步。其中CMENA算法通过新能量函数的最小化,控制聚类中心神经元的移动,得到聚类结果,具有聚类过程可跟踪、聚类结果稳定、抗干扰能力强、求解质量显著提高、适用于求解维度高数据量大的聚类分析问题等优点。ENACS算法针对聚类数目未给定的聚类问题,在CMENA算法的基础上结合Mean-Shift算法的思想,对初始神经元的产生数目给定方式做了改变,在CMENA算法的网络结构上增加优化了算法的网络结构,使得ENACS能在聚类数未知的情况下进行聚类并得到较好的聚类结果。通过大量实验证明,ENACS和CMENA算法在对同一数据集聚类时多次聚类结果唯一;ENACS和CMENA算法在对同一数据集聚类时多次聚类结果的聚类数相同,聚类结果唯一,与其它常用聚类算法相比,聚类效果显著提高。