聚类技术在很多领域都得到了广泛的研究和应用。本文首先对聚类问题的相关研究背景进行了总结,对常用的聚类算法进行了一定的分析介绍。通过对基于划分的聚类算法入手,研究常用的k-近邻算法和k-均值算法。根据k-近邻聚类算法提出了一种改进的特征加权算法。进一步研究k-均值算法,模糊c均值聚类算法FCM是最常用的数据聚类技术之一,它通过引入模糊的概念对传统的k-均值聚类算法进行了改进,使聚类算法效果得到了明显的提高。尽管从各个不同的角度提出了一系列FCM算法的变形,针对不同的聚类问题其聚类性能得到了一定的改善,但是FCM算法依然存在三个关键问题影响其聚类性能,具体表现在:1.对聚类数据簇的先验分布特征敏感。2.对聚类数据簇的先验概率敏感。3.容易形成可区分性差的数据簇划分结果。当面对形成聚类的数据簇先验分布特征不一致,或者先验分布不均衡这样的聚类问题时,FCM聚类效果不令人满意。为了克服这样的问题,本文提出了考虑信息均衡与数据簇可分性的模糊软子空间聚类算法EWFCM。我们提出的算法的优势主要体现在以下的几个方面:引入了数据簇类间距离以突出不同数据簇之间的可区分性,且在此基础上提出信息均衡数据簇内散布度,以及不同数据簇可分性的计算方法;引入了软子空间以提高具有不同分布特征数据簇的描述能力。并且在引入类间距离的建模过程中,将子空间描述模型与子空间之间的可区分度进行综合考虑,统一优化。我们将提出的考虑信息均衡与数据簇可分性的模糊软子空间聚类算法与传统的FCM算法,以及一些其他相关的改进算法进行比较,并进行一些对比实验。实验采用了不同形态和数据分布的人工生成数据集,真实图像以及IRIS数据集来实现不同算法性能的对比。实验结果显示我们提出的算法性能优于传统FCM算法和其他一些改进算法。