伴随着信息科学技术的飞速发展,全球的信息量爆炸似的剧增,要从这些复杂的数据中获得我们所需要且有价值的信息是一件非常艰巨和具有挑战性的任务,人们结合数据库、统计学以及机器学习等多种技术,提出了数据挖掘来解决这一难题。聚类分析是数据挖掘领域中的一个重要组成部分,是一种用于数据划分或者分组处理的重要手段。聚类分析在市场分析、图像处理、web文档分类等方面都得到了充分的应用。本文在详细介绍聚类分析相关知识的基础之上,分析了国内外现有的聚类算法,着重研究了基于路径的划分聚类算法,本论文的主要研究内容如下：(1)针对传统的K-均值算法对初始聚类中心和孤立点敏感的问题,本文提出了一种基于点密度的初始聚类中心选取方法。该方法可以使在聚类过程中初始聚类中心的选取更加有效；并且对孤立点进行特殊处理,不影响用迭代法计算聚类中心的值,理论和实验均表明基于初始聚类中心优化的K-均值算法优于传统的K-均值算法。(2)针对传统的划分聚类算法对空间分布为任意形状的数据集聚类效果较差的问题,本文提出了一种基于路径的相似性度量,设计了新的目标准则函数,并在此基础上提出了基于路径的划分聚类算法。实验结果表明,该算法能够自动生成聚类的数目,并且能够对空间分布为复杂形状的数据进行有效地聚类,对孤立点不敏感。