聚类分析涉及到统计学、数据挖掘、机器学习和图像处理等多个领域,人们对它研究热情日益高涨。在聚类算法中,基于模糊划分的模糊c均值算法(FCM)是一种重要的算法,它有着深厚的数学基础和完善的理论,但是它还存在一些不足之处,本文主要针对传统FCM算法进行分析,并在此基础上进行改进,具体研究内容如下:①针对传统FCM算法受离群点影响比较大这一不足之处,提出了基于引力的离群点识别方法,为后续的聚类步骤做准备。离群点的特征是稀疏、和其它大部分对象的距离比较远,而引力的大小是和物体的质量成正比,和物体间的距离平方成反比,因此经过引力计算之后,离群点的特征就更加明显,更容易将其识别出来。②针对传统FCM算法对初始聚类中心过于依赖的现象,提出了基于引力的选取办法。引力不仅考虑了对象间的距离关系还考虑了对象间的“质量”关系,数据集中某一对象的“质量”的具体含义就是指它ε?邻域中所包含的对象的个数。通过引力方法得到的初始聚类中心大多在簇的中心位置,不仅在一定程度上避免了因初始聚类中心选择不当而使算法陷入局部极值点,而且还减少了迭代优化的次数。③传统FCM算法中聚类个数c需要预先给定,这对没有经验的用户是比较困难的。为了解决这个问题,文中提出通过小类合并来获得最佳的聚类个数c。为了验证本文提出的改进算法的有效性和可行性,在论文的最后将其与传统的FCM算法在多个数据集上进行了对比实验,验证了改进算法不管是在聚类质量还是在聚类稳定性上都优于传统FCM算法,从而验证了本文提出的改进的FCM算法是有效的、可行的。