随着信息技术的发展,数据挖掘技术得到了广泛的关注。在数据挖掘技术的众多研究领域中,分类数据挖掘是一个重要的研究方向,对它进行深入研究不仅有着重要的理论意义,而且有着重要的应用价值。本文的研究工作受陕西省自然科学基金资助,一方面从分类系统的预处理阶段入手,通过改善特征提取结果来提高分类性能;另一方面通过研究全新的分类模式—分类器组合,提出一种新的组合方式来提高分类性能。聚类技术在上述研究过程中发挥着举足轻重的作用。本文的主要工作有:(1)概述了数据挖掘中的聚类技术,深入分析了聚类的主要算法,为研究工作提供理论依据。(2)提出了基于K-maxmin聚类的PCA特征提取方法,通过引入聚类技术克服了PCA在特征提取过程中的不足。仿真实验证明应用该方法后的分类性能优于应用PCA方法后的分类性能。(3)提出了基于凝聚层次聚类的分类器组合方法,通过聚类进行成员分类器选择,增加了成员分类器的多样性,同时保证各成员分类器具有好的分类性能。通过与传统的分类器组合方法Bagging方法的比较表明该方法不仅可以改善分类性能,而且可以提高稳定分类器的性能。仿真实验证明了该方法的有效性和可行性。