聚类分析是数据挖掘中一项重要的技术。聚类的任务是把数据集中的对象组成多个有意义的子类,在同一子类中的对象彼此相似,不同子类中的对象不相似。本文重点研究了聚类分析中的两项关键技术:聚类中心点初始化和孤立点检测,同时探讨了它们在客户行为分析中的应用。本文分析了聚类中心点初始化的必要性,以及现有的三类聚类中心点初始化算法。在此基础上,融合了基于网格的聚类算法和基于密度的聚类算法的基本思想,提出了基于动态网格生成技术的聚类中心点初始化算法DGICC。该算法采用动态网格的生成技术,通过计算连通密集区域的重心来生成初始的聚类中心。仿真实验表明,与现有的算法相比,DGICC能更有效减少K-means算法的迭代次数,获得较为理想的聚类精度。同时随着数据集实例数、维度的增加,算法的时间复杂度呈近似线性增加。同时,在分析了现有的几类孤立点检测方法的基础上,针对其对高维数据处理的不足,本文提出了基于转换聚类的孤立点检测算法ODCC。该算法将孤立点问题定位在转换空间中,通过考察距离分布差异获取孤立点。实验结果表明,与现有的孤立点检测算法相比,新算法在孤立点的寻找能力和时间复杂度方面均有较优表现。本文最后探讨了聚类分析技术在客户行为分析中的应用,并给出了一个聚类技术在电信账务数据上的分析和挖掘实例。该实例融合了本文所提出的新算法:基于动态网格生成技术的聚类中心点初始化算法DGICC和基于转换聚类的孤立点检测算法ODCC。