传统的聚类分析是一种硬化分,把待识别的对象严格的划分到某个类中,具有“非此即彼”的性质,而模糊聚类描述样本属于各个类别的不确定性程度,表达了样本类属的中介性。但是,在引进模糊概念的同时,也产生了两大问题:(1)隶属函数不易确定。隶属函数如何确定没有统一的标准,其过程有一定的人为技巧,带有一定的主观性;(2)模糊的不彻底性。隶属度用定量值表示,即把不确定性转化为确定性。针对当前挖掘算法中隶属度不易确定和量化问题,本文对基于云理论的不确定性机制进行了研究,并在云模型的基础上创建了一种新型模型——随机模糊模型(Random Fuzziness Model,RFM),该模型将随机性(精确度)和模糊性(隶属度)集成并建立映射关系,通过随机性更深层次的刻画事务的模糊性,来提高隶属度确定的合理性。在RFM模型应用到聚类分析过程中,首先,利用该模型计算样本在不同精确度下的隶属值。然后,在不同的精确度下,计算得到不同的划分结果。最后,针对不同精确度下的划分结果,利用随机模糊聚类的有效性指标进行判断,得出最优结论。本文采用油田数据集和公共数据集IRIS对改进的算法进行验证,结果表明:新算法能够解决隶属度不易确定和量化问题,提高了聚类的准确度和质量,实际效果较好。