数据挖掘领域中有一项重要的技术就是模糊聚类算法。模糊聚类算法作为一种无监督的机器学习方法,能够将未标记的样本数据划分成多个簇,并使同一个簇中的样本数据之间相似性尽可能大,不同簇中的样本数据之间相似性尽可能小。距离度量是衡量各个样本数据点之间相似程度的重要因素,因此模糊聚类算法的聚类性能在很大程度上取决于距离度量的选择。然而在面对不同的数据特征时,基于欧氏距离度量的模糊聚类算法往往不能得到较佳的聚类结果。因此,选择合适的距离度量对模糊聚类算法进行优化可以极大提高聚类的准确性和稳定性。本文的工作主要包括以下三个方面。（1）针对改进型可能性C均值（IPCM）聚类算法的聚类准确性受数据不规则分布影响较大的缺陷,将基于模糊协方差矩阵的自适应距离度量应用到IPCM聚类算法中,从而提出了一种自适应改进型可能性C均值（AIPCM）聚类算法。通过在茶叶数据集上对比和分析提出的AIPCM聚类算法。首先利用多元散射校正（MSC）,主成分分析（PCA）以及线性判别分析（LDA）对茶叶数据集进行处理,然后在处理后的茶叶数据集上运行AIPCM聚类算法和传统聚类算法。实验结果表明,在不同的模糊加权参数下,AIPCM聚类算法总具有最高的准确率,并且不断修改训练样本和测试样本的数量进行聚类,同样具有最高聚类准确率;AIPGG聚类算法的最终聚类中心与真实聚类中心之间的距离为EAIPCM（28）0.3057,明显更接近真实聚类中心;AIPCM聚类算法仅需29次迭代就可达到收敛状态,比传统的聚类算法要更快。（2）对IPCM聚类算法的距离度量进行再次优化,使用基于模糊协方差矩阵的指数距离度量来计算各样本数据之间的相似程度,并提出了一种改进型可能性Gath-Geva（IPGG）聚类算法。通过对苹果数据集进行聚类,从而分析IPGG聚类算法的性能。首先对苹果数据集进行MSC和PCA处理,然后分别从聚类准确性,聚类中心和迭代收敛结果等三个方面进行详细分析。实验结果表明,IPGG聚类算法的聚类准确性明显高于FCM,GK,GG和IPCM;IPGG聚类算法的最终聚类中心更加接近真实聚类中心;IPGG聚类算法只需要进行13次迭代即可达到收敛状态,因此收敛速度比其他模糊聚类算法要快。（3）受IPGG聚类算法的启示,将基于模糊协方差矩阵的指数距离度量扩展到可能性模糊C均值（PFCM）聚类算法中,并提出了一种可能性模糊Gath-Geva（PFGG）聚类算法。通过对X2 0数据集进行聚类,PFGG聚类算法能够有效聚类识别噪声数据点x1 9和x20,并得到典型值分别为0.0141和0.0297,从而验证该算法能够克服噪声数据敏感的缺陷。在三个数据集（Seeds数据集、Coffee数据集和Meat数据集）上分别对PFGG聚类算法的聚类准确性、聚类中心和迭代收敛结果进行了分析。实验结果表明,通过不断修改模糊加权参数以及系数,PFGG聚类算法的聚类准确性最高,最终聚类中心与真实聚类中心之间的距离最近并且迭代收敛速度最快。