由于模糊聚类算法在众多领域内得到广泛应用,因此成为重要的研究课题,备受学者和专家们的关注.而其中模糊C-均值(FCM)聚类算法由于其高效、简单、易于操作,使其成为理论体系成熟完善、应用范围广的模糊聚类算法之一.然而,模糊C-均值聚类算法对初值敏感、容易陷入局部极值以及需要提前指定聚类数是其不容忽视的缺点.本文针对FCM算法所存在的问题,结合粒子群优化和层次聚类分析技术,研究得到一系列新方法,经应用实验结果令人满意.主要包括如下:1.在模糊聚类方面,分别提出基于模糊自适应粒子群优化的FCM算法和基于初始中心点优化选择的FCM算法.基于模糊自适应粒子群优化的FCM算法将FCM算法和模糊自适应粒子群优化算法进行结合,克服FCM算法对初值敏感和容易陷入局部极值的缺点.为验证提出算法的有效性和优越性,将其应用到6个经典数据集上,并将实验结果与FCM算法进行比较,结果表明提出方法从聚类稳定性以及聚类结果方面均优于FCM算法.基于初始中心点优化选择的FCM算法将基于密度和网格划分的初始中心点优化选择方法与FCM相结合,集成多种聚类方法的优点,并在加油站选址中得到很好的应用,能够稳定而又快速的发掘加油站可能的位置.实验结果表明,提出的方法具有良好的聚类效果.2.在聚类有效性方面,提出基于模糊混合层次聚类的有效性指标.将层次聚类分析的思想融入到有效性指标的构造中,只需执行一次聚类算法,并考查聚类结果确定最优聚类数.克服传统聚类有效性指标需要运行所有可能值的缺点,大量减少计算,提高确定最优聚类数的效率.最后将其应用到多个典型数据集上,从而验证了所提出的有效性指标的可行性和优越性.