大数据时代,人们日常生活中处处都在积累着数据,从而导致大量的数据在不停的堆积,这些数据的内在价值是让很多学者们去研究聚类算法的动力。聚类算法的出现,使得巨大的数据得以发挥背后隐藏的价值。聚类有效性指标是对聚类结果进行评价,对于发现正确聚类数起到关键性的作用,然后现有指标存在簇中心分布很接近时难以得到正确聚类数、分离性处理机制过于简单、面向含噪声的数据集效果较差的问题。为此,本研究面向模糊聚类提出了两种新的聚类有效性指标:三重中心关系TCR（Triple Center Relation）指标和THI（Tang-Huang Index）指标。本论文的主要工作如下:（1）对模糊聚类算法进行简单的介绍,由于聚类有效性指标的研究是基于聚类算法的,因此在对数据集样本进行分析的时候首先要进行聚类,使用工具将数据集分成不同的簇。然后使用聚类有效性指标函数对聚类结果进行评价。进而知道使用的聚类算法是否有效。本文使用的是模糊C-均值（Fuzzy C-means,FCM）聚类算法。（2）提出了一种名为三重中心关系TCR指标。指标是从传统的紧致性和分离性两个方面进行刻画的。TCR指标以最大隶属度为切入点建立了一种新的模糊基数,同时将其与类内加权平方误差和进行结合,由此建立了新的紧致性公式。从聚类中心的最小距离出发,融入了聚类中心距离的均值,以及统计意义上的聚类中心的样本方差,三者采用乘积的方式进行复合,构成了更为立体的分离性表达模式。在UCI数据集和人造数据集进行实验,从理论和实验两个方面说明新指标的优势所在。（3）提出了一种新指标THI指标。新指标是从一个新的方向对紧致性和分离性进行描述,对以往指标的缺点进行了总结和改进,使得指标计算更加简便并在遇到复杂的数据集也能得到比较好的结果。指标的好与不好都是需要现实数据进行实验的,所以本指标毫无例外的在现实和人造两个类型的数据集上进行实验,实验结果表明新提出的指标具有更好的评价意义。