FCM (Fuzzy C-Means, FCM)算法是一种基于目标函数优化的模糊聚类方法,其收敛结果依赖于聚类原型参数的先验知识(即聚类中心和聚类数)。目前FCM算法已经被广泛地应用于模式识别、数据挖掘、模糊控制、图像处理、图像分割、矢量量化、模糊逻辑等众多领域。但由于大部分的FCM算法及其改进算法的初始聚类中心和聚类数几乎都是随机给定的,需要经过多次试验才能得到较好的聚类结果。因此,给出合理的聚类中心和聚类数目十分重要。随着计算机科学技术的应用和发展,基于目标函数的模糊聚类算法(即FCM算法)成为新的研究热点。经过国内外众多学者多年的努力,FCM算法已经获得了很大的改进。但是,到目前为止该算法存在的一些问题和不足依然没有得到的较好的解决,使得该算法的优势不能充分的得到发挥。针对传统的FCM算法存在的不足提出一些具体的改进办法,不仅能够提高算法的执行效率,而且对实验的过程和结果也能够产生很多积极的影响。本文针对FCM算法的不足并围绕如何提高算法的执行效率这一问题,对传统的FCM算法进行了改进,并提出了一种新的聚类算法(Advanced Fuzzy Clustering Means, A-FCM),本文的主要研究工作及创新之处主要体现在以下两个方面：(1)本文对传统的FCM算法中的权指数选取进行了改进,即根据实际问题计算权值的大小。由于权指数m的选择对FCM算法聚类分析影响很大,通过这种方法我们不仅能够得到更为合理的权指数m值,而且能够减少因为人为选取权值带来的失误。实验证明,使用通过计算得到的m值得到的实验结果也更为理想。(2)本文提出了对FCM算法中的隶属度进行了修正,通过对隶属度的不断修正可以提高聚类的收敛速度和影响聚类的分类效果,减少算法执行的时间花费,可以从整体上提高算法的性能。另外,FCM算法具有自身的优点,尤其是对海量信息进行加工处理时,它的优势就表现的更加明显了。同时,在一些的著名的科学计算软件(如Matlab等)中也包含了FCM算法,这些都给人们的研究工作带来了极大的方便。最后,利用Matlab仿真工具通过对应用传统的FCM算法得到的实验结果与应用本文改进后的A-FCM算法得到的结果做比较。仿真结果表明,本文提出的A-FCM算法能更有效地提高了算法的性能和效率,得到更加合理的结果。