数据挖掘(Data Mining, DM)，就是从大量的无序数据中发现隐含的、有效的、有价值的、可理解的模式，进而发现有用的知识，并得到时间的趋向和关联，为用户提供问题求解层次的决策支持能力的过程。聚类作为数据挖掘的一个重要分支，已经被广泛的应用到群体决策、图像分割、模式识别等领域。　　 现实世界中事物之间的界限往往是模糊的，对事物的分类必然伴随着模糊性，因此产生了模糊聚类分析。在所有的模糊聚类算法中，模糊c均值聚类算法的理论最为完善，应用最为广泛。　　 作为一般模糊集的推广，直觉模糊集和区间直觉模糊集被证明能更加细腻地刻画和描述客观世界的模糊性本质。如何利用传统的模糊聚类算法的思想，去处理属性值为直觉或者区间直觉模糊数的聚类问题，已经成为新的研究热点。　　 鉴于此，本文主要对如下几个方面进行了研究：　　 1．对属性值为数值型数据的聚类问题，提出一种基于改进投影法的模糊聚类算法。算法首先采用改进的投影方法，构造新的目标函数；然后根据拉格朗日乘数法推导出聚类的迭代公式；最后进行实验对比，讨论新算法性能。　　 2．提出基于投影法与改进投影法的模糊聚类有效性函数，并采用不同的样本数据以及聚类算法实验，和基于距离及基于模糊划分的聚类有效性函数进行实验对比，说明新有效性函数的合理性和可行性。　　 3．对属性值为直觉和区间直觉模糊数的、属性权重完全未知或者以一般模糊数给出的属性权重的聚类问题进行研究。提出了基于直觉模糊c均值聚类算法的有效性函数，和基于区间直觉模糊集的c均值聚类算法及有效性函数。并通过实验分析算法的可行性和有效性函数的性能。