近年来符号型数据的无监督学习在模式识别、机器学习、数据挖掘和知识发现等诸多领域,起着愈来愈重要的作用。为了有效地挖掘符号型数据内在的组结构信息,相关文献中已经发展了很多符号型数据的聚类算法。然而这些算法相比数值型数据的聚类算法,在性能方面仍然有很大的提升空间,其根本原因在于符号型数据缺乏类似数值型数据那样清晰的空间结构。本工作跟踪国际国内的研究前沿,针对符号型数据的聚类问题进行了深入的探究和实验,取得的成果如下:(1)深入研究目前国际国内流行的、经典的符号型数据聚类算法,分析比较各个方法的优缺点,进而引出新的聚类算法的研究动机和目标。通过采用新的符号数据表示方案,将原始的符号数据在不失任何信息的情况下,映射到新的维度的欧式空间中。基于这一新的符号数据的聚类框架,为了找到类中更有代表性的模式,结合Carreira-Perpi~n’an提出的K-Modes算法进行无监督学习(SBC_K-modes算法)。通过与其它四种经典的符号型数据聚类算法在9个UCI数据集上实验的比较,结果验证了新算法的有效性。(2)在对符号数据可能存在的空间结构的进一步研究和假设的基础上,提出一种新的符号数据的再表示方案。经过推理和实验验证了这一表示的正确性和有效性。在这一表示的基础上,结合两种不同的差异性度量方式和K-Means算法基本范式,提出了两种算法(NSBC和JSBC)。通过与其它四种经典的符号型数据聚类算法在9个UCI数据集上实验的比较,结果验证了新算法的有效性。总之,本文对符号数据聚类相关理论进行了研究,提出了新的符号数据的再表示方案和相应的算法,并在UCI数据集上对算法的有效性进行了验证。本文的研究为符号型数据的聚类分析提供了新方法与新思路,在数据挖掘和知识发现等领域有着一定的应用价值。