随着现代信息技术的发展,通过信息化的资源管理平台,各个行业的管理以及运行效率有了大幅的提升。随着这些信息系统的运行所带来的海量的信息对于行业的管理者来说是非常重要的,因此数据挖掘技术得到了广泛的关注。数据挖掘技术是指从大量的、复杂的、可能缺失的数据中揭示出隐含的、未知的并有潜在价值的信息的过程。聚类分析是数据挖掘中的一个重要方向,对其进行深入的研究有着重要的理论意义和实际的应用价值。聚类分析的本质就是将一组物理或抽象的对象分组为若干个簇,其结果是同一个簇的对象彼此相似,不同簇之间的对象彼此不相似。聚类分析已经广泛的应用于社会的各个领域,如数据分析、图像处理、市场营销等等。　　聚类分析是一种无监督的分类过程,它不需要事先给出分类标准。它通过数据本身的属性出发,分析数据的特征来自动的进行聚类。聚类算法可以分为五大类,分别为基于划分的方法、基于层次的方法、基于网格的方法以及基于原型的方法。每一个种类的聚类算法只有在针对与之相适应的数据集的情况下,才能够获得比较理想的聚类结果。　　本文首先介绍了聚类分析的研究背景和意义,然后简要的介绍了聚类分析的国内外研究现状以及每一种分类下的代表算法,并对这些算法的主要思想进行阐述。接着针对K-means算法的优缺点进行了分析,并依据商空间理论提出了一种改进的K-means算法,解决了K-means算法对于初始中心不稳定导致结果出现偏差的问题,并且解决了边界点或噪声点对于算法结果的影响。通过对比试验表明新的算法具有更好的聚类精度。针对聚类算法在高维数据空间中直接的相似性度量已经失去意义,在对共享最近邻相似性度量做了分析后,在其基础上提出了一种新的基于共享最近邻的层次聚类算法。经过对比实验,算法在时间性能和准确性上都较同类算法有所提高。