本文针对聚类算法研究现状，围绕聚类算法及其相关问题，总结和评价现有聚类算法，以及影响聚类分析的各个环节，探讨制约聚类性能的关键因素，并对Mean Shift算法进行改进。另外，聚类可视化是聚类研究领域的另一个重要方面，可以通过维数约简算法，降低数据对象的特征维数来实现可视化。针对维数约简的研究现状，对维数约简算法进行分类，讨论和评价几种典型维数约简算法，并把等距映射算法(Isomap)应用到聚类结果的可视化上。 首先对各种聚类算法分门别类地进行分析讨论，在分析总结评价算法优缺点的同时，还剖析聚类算法的具有各种特性的原因；同时，从理论上分析了聚类问题的规模和难度。由于基于密度的算法具有良好的特性，深入研究了Mean ShiR算法及其的带宽设定方法。 在此基础上，改进了基于密度的Mean Shift算法，提出一种新的迭代点带宽可变的：Mean Shift算法，即点的带宽是随着迭代过程变化的，对Mean Shift算法进行改进，使得迭代点带宽可变方法在图像的细节处理方面比传统方法好，并将它应用到图像分割上。 然后，对维数约简算法进行分类，对四种典型算法进行介绍并分析讨论；在分析总结评价算法优缺点的同时，还剖析维数约简算法的具有各种特性的原因。由于等距映射算法具有把数据的相似度作为输入的良好特性，深入研究了Isomap算法及其相似度的定义。 最后，将距映射算法(Isometric feature mapping)应用于聚类可视化方面。利用Isomap算法的把数据的相似度作为输入的特性，把Isomap算法应用到聚类结果的可视化方面上，把用RB-Kmeans算法得到的聚类结果显示到二维空间上，并得到了很好的效果。