本文主要研究的内容为模糊聚类算法在含噪声数据集和非均衡数据集上的应用。随着科技的不断发展,聚类分析已经在许多领域得到了广泛的应用,如:数据挖掘、图像分割、模式识别、药物分析、机器学习等。根据数据的集聚规则,聚类分析大致可分为基于划分、基于层次、基于密度、基于网格几种类型,其中,模糊聚类作为一种基于划分的聚类算法因其简单的数学模型、易于解释的优点得到了最为广泛的应用。但是模糊聚类算法模型本身存在缺陷性,具体表现在:（1）、算法对含有噪声的数据集鲁棒性较差。（2）、算法假设数据同分布的缺点导致其对数据集的方差和数据容量大小也很敏感,无法很好地处理非均衡数据集。本文就这些问题进行了细致的研究和分析,在他人研究的基础上,提出了一些自己的解决办法,具体工作如下:1.现实生活中的数据大多存在噪声点和离群点,这些异常数据点的存在会影响聚类效果。但普通聚类分析中的噪声界定,没有明确的定义,基于此,本论文首先从噪声的界定出发,分析异常样本点对聚类结果的影响,据此研究噪声的判别机制。分析数据点的可靠性,提出了基于可靠性的鲁棒模糊聚类算法（RRFCM）。算法相较于传统模糊聚类算法只考虑数据点与聚类中心的关系,引入了局部近邻约束项,考虑了数据点与周围数据点的关系,与相应的算法作对比,算法无论在人造数据集,还是真实数据集上都取得了不错的聚类效果。2.针对离群点的存在,它们会影响目标函数的稳定收敛值,因此我们还提出了一种基于L2p范数的鲁棒模糊聚类算法（RFLCM-L2p）,通过p范数的引入,给距离较远的数据点较大的惩罚,来降低它们对其他数据点的拉扯力,从而降低它们的影响。3.现实生活中的数据多数存在非均衡性,例如网络欺诈链接,病例分析中的正常数据与异常数据等。模糊聚类（FCM）对此类数据较为敏感,通常无法得到很好的聚类效果,错误的聚类同时又会对决策带来较大的误判,因此有必要通过改进模型提高算法的精度。在该部分中,我们从数据的不均衡度出发,分析非均衡数据集对聚类结果的影响,以及现有在非均衡数据集上比较流行的算法。4.此外,文章对提出的两种模型都设计了相应的优化方法,并进行了复杂度分析和收敛性的分析。