膜计算是一种新型的计算方式，研究者从活细胞的结构和功能中获得灵感，从而抽象出这种计算模型。膜计算具有分布式、不确定性、最大并行计算等独特特征，使其在现有的计算科学研究中显示出突出的优势，现已证明很多膜计算模型具有与图灵机等价的计算能力，甚至具备超越图灵机的可能，因此膜计算在解决一些并行问题、优化问题方面，具有很重要的研究意义，并在生物学、医学、计算机图形学、语言学、经济学、社会学、计算机科学等多个领域有着广泛的应用。目前各个领域的专家学者对膜计算的专注度越来越高，使其成为全球学术界的研究热点。随着信息产业界的发展和当前社会的不断进步，数据挖掘领域受到了全社会各个领域的极大关注。而作为数据挖掘重要分支的聚类分析，是解决数据挖掘问题的主要手段。聚类分析就是从大量的样本对象中，发现不同的对象分布情况，从而将相似的对象划分成类的过程。目前聚类分析方法已经在很多不同领域得到应用，例如神经网络、图像处理、现代生物学、统计学。基于膜计算的非确定型和最大并行性等特点，本文将其引入聚类算法中，借助P系统模型保证聚类质量的同时提高数据集规模和运算速度，主要研究内容包括以下三个方面：一是根据K凝聚层次聚类算法的特点，结合膜计算的优势，提出了一种基于细胞型P系统的K AGNES算法，通过输入具有n个对象的数据集合、对象集合矩阵及聚类个数k，结合P系统的特性，来对P系统的膜结构、膜内对象、膜内规则及规则优先关系进行设计和构建，最终得到n个对象的k个分组。二是为解决了传统的基于密度的聚类算法进行区域查询的繁琐复杂问题，构建了一个细胞型P系统来实现DBSCAN算法。将膜计算应用在基于密度的聚类算法的实现上，是膜计算应用的一个创新之举。活性膜P系统是一种特殊的P系统，细胞膜的分裂规则使其能够为计算提供指数个计算空间，具有解决聚类问题的独特优势。本文结合DBSCAN算法的特点和活性膜P系统的优势，提出了一种基于活性膜P系统DBSCAN算法，作为第三个研究重点，使其能够在更短的时间内完成聚类过程，提高聚类算法的效率。随着互联网的普及，电子商务系统对商品经济的发展和消费者的日常经济生活，产生了翻天覆地的影响。但随着电子商务的飞速发展，商品种类和数量的急剧增长，电子商务结构也变得越来越复杂，顾客很难在电子系统繁多的商品存储中，精确地找到自己想要的商品，于是电子商务推荐系统便应运而生。根据目前电子商务网站的现状及商品推荐所存在的问题，本文商品推荐系统看作一个无向加权图并将其转换成DBSCAN聚类问题，最后使用活性膜P系统来实现。这种全新的商品推荐方法在一定程度上提高顾客的购买率，增强企业的竞争力。商品推荐问题的成功解决，也将有助于膜计算在现实应用方面进行更深入的研究。