数据挖掘是从大量数据资源中获取有用信息和知识资源的方法。聚类算法是数据挖掘算法中被广泛使用和研究的算法之一,其中模糊C均值聚类算法利用模糊理论根据隶属度来划分实例属于哪个类别,对待聚类数据的分析更加客观。本文分析研究了模糊C均值聚类算法,该算法简单且聚类性能较好,但是对初始值较敏感,容易使算法陷入局部极小值,而得不到全局最优,不但迭代次数会增加,而且最终容易导致聚类失败。针对模糊C均值聚类算法存在的这种问题,提出了一种基于实例密度的模糊C均值聚类算法,使类中心更加接近实际聚类中心,减少了迭代次数,提高了聚类效果。通过在模拟数据集和UCI数据集上进行实验,验证了改进后算法的有效性。系统功能丰富、操作简便、基于Java语言的开源数据挖掘工具Weka倍受数据挖掘研究者的关注。但是Weka在聚类方面集成算法较少,因此,针对Weka系统的开发环境结构、接口规范、添加新算法的具体方法及实现步骤进行研究,对其进行二次开发,实现了层次聚类算法SmipleChameleon算法、模糊C均值聚类算法以及改进后的模糊C均值聚类算法。为了进一步验证改进后算法的有效性,本文将改进后算法应用于社会保险审计数据中。通过对社会保险审计数据进行分析研究,根据其数据具有数据量大、缴费类型多以及存在冗余数据的特点,对数据进行数据合并和属性选择等预处理,将传统模糊C均值聚类算法及改进后算法针对每个地区的四个聚类目的进行对比实验。通过分析实验结果,得出改进后算法减少了迭代次数的同时提高了聚类效果,再次验证了改进后算法的有效性。