聚类属于无监督学习，是将数据集中的数据对象分成多个簇或者类，使得在同一个簇中对象相似度高，而在不同簇中对象的相似度低，因此，对空间数据对象的聚类可通过基于聚类目标函数的优化问题来解决。从这一思路出发，将自适应能力及鲁棒性较高的计算智能技术应用于聚类分析，产生了很多基于计算智能技术的聚类分析模型。基于计算智能的聚类分析成功解决了数据的聚类问题，对处理目标的特性有良好的适应能力，弥补了传统聚类方法的不足，取得了良好的效果。计算智能方法主要包括神经网络、模糊控制、进化计算、混沌科学、免疫计算、DNA计算及群体智能等。近年来，神经网络、模糊逻辑和进化计算三个方向的研究成为热点。自组织映射（SOM）是最有代表性的神经网络聚类方法；遗传算法、进化策略、免疫规划、克隆学说、蚁群系统、微粒群优化、文化算法等进化计算已成功应用到聚类分析中；另外，在传统聚类分析中引入模糊集概念，产生了模糊聚类算法；根据计算智能技术的优缺点，将一些计算智能方法融合起来应用于聚类分析，提高了聚类的能力。论文将神经网络、遗传算法等计算智能技术用于聚类分析，构造聚类分析模型，研究该模型的定义及优化方法的特点和不足，改进或提出相应的解决方法；另外，针对模型在聚类分析中的应用研究并结合离散Morse的相关理论和方法，研究离散Morse理论在聚类分析中实现的关键技术和方法，并提出基于Morse理论的聚类分析模型以适应具体应用的要求。通过实验，验证了模型的有效性和可行性。本文的主要研究内容如下：1.针对传统SOM网络模型用于聚类分析时竞争层神经元个数须预先指定的缺点，给出了在训练过程中动态确定网络结构和单元数目的解决方案，提出一种新的动态自组织特征映射模型，并给出模型的训练算法。此算法初始只有一个根结点。在网络训练过程中不断产生新结点。新的结点可在任意位置根据需要自动生成。当训练算法结束时，根据得到的树形结构确定聚类的数目。算法中通过扩展因子控制网络的生长，实现了不同层次的聚类。算法采用两阶段的训练思想。当算法的生长阶段完成后，利用模糊C-聚类的思想，对生长阶段产生的粗聚类结果做细化处理，从而提高最终聚类结果的精度和算法的收敛速度。通过UCI数据集来验证该模型的有效性和优越性，并对其聚类的有效性进行对比分析。2.介绍了谱聚类技术及相关概念，对谱聚类算法进行研究及分析，提出一种自动确定聚类数目的谱聚类算法。为了解决CLARANS算法易收敛于局部最优及面对大数据集聚类效率不高的问题，结合遗传算法易于找到全局最优值的特点，将遗传算法和CLARANS算法相结合，提出基于GA的聚类分析模型，并通过选择合适的适应值函数，达到聚类的目的。通过实验证明了新算法的的优越性3.介绍了离散Morse理论的基本原理及相关概念，提出一种构建离散Morse函数求最优解的算法，并证明了构建的函数是最优的离散Morse函数，同时构建了一种基于离散Morse理论的优化模型，实验的结果证明了该模型的有效性。这是一个全新的尝试。4.把基于离散Morse理论的优化模型应用于聚类分析，提出一种基于离散Morse优化模型的密度聚类算法。聚类后的结果运用层次聚类的思想进行优化，可以通过参数的调整来控制聚类簇的数目，达到聚类效果。实验证明新算法的可行性及有效性。本文的创新点总结如下：1.提出一种新的动态SOM模型。该模型采用新的生长阈值函数，训练算法采用两阶段思想。实验在UCI数据集上进行，通过与SOM模型、FCM算法及TreeGNG对比验证了该模型的有效性和优越性。2.提出一种基于GA的自动谱聚类算法GA-ISC。通过改进的谱聚类算法ISC-CLARANS达到自动产生聚类结果的目的。引入GA提高CLARANS算法的执行效率。实验分别在人工数据集及UCI数据集上进行。实验证明ISC-CLARANS算法正确、有效。通过GA-ISC与ISC-CLARANS算法的聚类结果比较，验证了GA-ISC算法的高效性。3.提出一种基于离散Morse理论的优化模型，该模型通过在单纯复形上构造离散Morse函数来实现。实验结果证明了该模型的正确性及有效性。4.提出一种新的基于离散Morse优化的聚类模型。该模型在离散曲面上进行。聚类后的结果运用层次聚类的思想进行优化。实验在人工数据集及UCI数据集上进行，通过与DBSCAN算法的聚类结果比较，验证了新模型的高效性及优越性。