近些年,互联网技术和信息产业不断高速发展,人们开始关注“大数据”这一术语,并逐渐的被人们提及,信息时代的海量数据也用它来描述和定义。随着社会时间的不断流逝,海量数据的重要性开始逐渐的被人们意识到。大数据时代,人类首先要迎接的挑战就是如何对海量的数据进行处理,如何处理海量的数据,如何研究并发现海量数据之间的潜在信息,现已发展成为我们当下急需解决的非常有研究价值的问题。聚类分析是用于处理大量数据的常用方法,通过该方法从海量数据中获得一些有意义的建议。聚类通过计算数据对象之间的相似性,把相似性较高的一组数据点聚到同一个组中,这个组称为聚类生成的簇。同簇内的数据相似性较高,不同簇内的数据相似性高度不同。聚类在学习过程中通过无监督的方式对数据对象进行分类,许多领域中常常通过聚类方法对数据进行分析,已经成为一种常用的对数据进行分析的技术。聚类分析已在机器学习、数据挖掘、模式分类、图像分割等领域得到广泛而深入的应用。本文将会详细介绍一种本文提出的聚类算法模型,基于凝聚的层次聚类方法改进的CHAMELEON算法的模型。CHAMELEON聚类算法通过动态建模的方式聚类,聚类生成的簇可以是不同大小、形状、密度的高质量簇。虽然CHAMELEON算法具有这样的优势,但仍存在着不足。CHAMELEON算法在构造k-最近邻图G_k时k值选取困难且对结果影响较大。利用用于分割大型超图的多级分区hMetis算法划分G_k是粗划分,很容易导致结果的不确定性。针对此缺点,本文借鉴AGNES算法的基本思想,提出了一种新的凝聚的层次聚类方法,并将该操作方便、效率较高的凝聚的层次聚类方法代替传统的hMetis算法划分G_k生成子簇。经实验表明,聚类效果较为理想。针对本文介绍的聚类算法模型,首先利用带有标签的经典人工数据集和来自UCI的公共数据集,对提出的改进算法的有效性进行了充分的验证。为了从聚类效果中一目了然的看出改进算法模型的有效性,通过绘制结果图像的方式对低维数据集的聚类结果进行展示。验证了模型的有效性后,将基于凝聚的层次聚类方法改进的CHAMELEON算法的模型应用于学生课外实践数据的分析研究,用于发掘学生在课外实践方面的潜质,分析实验结果,发现并研究影响学生课外实践表现的因素。