聚类分析是在无先验知识、无指导下进行数据分析的一种数据挖掘技术。通过先进算法的恰当采用，发掘潜藏的有价值的信息，提高数据分析和解释的质量。在现实世界中，许多客观事物之间的界限往往是模糊的，对事物进行分类时就必然伴随着模糊性，由此产生了模糊聚类分析。将模糊聚类应用到客户细分中，相对硬聚类能更好地体现客户特征，从而帮助营销人员制定出更有针对性的营销策略，以提高客户的价值贡献。 本文在介绍聚类分析以及模糊理论的基本概念和相关知识的基础上，阐述了模糊C均值算法(FCM)的基本原理和步骤。从模糊划分矩阵、度量方式、加权指数m、数据类型和聚类有效性几个方面综述模糊C均值算法的研究情况，并对聚类趋势分析的研究进行了重点介绍。在综述了模糊聚类的研究情况后，针对模糊C均值算法存在的问题提出了改进算法。首先，一般基于欧氏距离的FCM算法只能检测超球体结构的数据子集，不能差别对待样本的不同属性，针对这个问题提出了基于马氏距离的MFCM算法，提高了聚类效果。然后针对FCM算法容易陷入局部优化的问题，将基于马氏距离的MFCM算法与遗传算法结合，并对这种混合算法的遗传算子做了相应改进，得到GMFCM算法。并从聚类正确率、收敛速率和对初值的敏感性三个方面对改进算法的性能进行了测试。最后，将改进的模糊聚类算法应用到电信客户细分中。实验数据为某电信公司的小灵通业务数据，对这些数据经过预处理等过程后，选定客户的呼叫行为和消费行为属性作为细分变量。对客户数据作了聚类趋势分析及聚类有效性分析后，使用matlab编程实现了改进算法对电信客户的细分。经过多次细分实验发现改进算法性能稳定。并进一步分析解释了细分结果，为企业差异化对待客户提供了科学依据。