通过对国内外聚类算法的研究情况分析可知,以往的聚类算法还存在诸多问题。传统的层次聚类算法需要提前设定算法结束参数,决策过程时间复杂度高;层次聚类算法大多没有利用已知的背景知识指导聚类过程,导致聚类结果的精确度不高;多数层次聚类算法忽略了对序列数据进行聚类分析与应用。本文针对这些问题,将研究重点放在基于轮廓系数的层次聚类算法的研究上,解决这些问题,对生命科学、医学、社会科学以及地理科学等领域都有重要意义。首先,提出一种基于轮廓系数与熵的层次聚类算法。该算法通过增量地绘制待聚类数据集的平均改进轮廓系数曲线得到最佳聚类簇数k。在其后的凝聚层次聚类过程中,把熵作为指导聚类簇合并的相似性度量标准,通过计算簇间的加权距离排除孤立点簇。其次,提出一种基于轮廓系数与约束的层次聚类算法。该算法把已知的成对实例约束结合到凝聚层次聚类过程中,利用已知的约束条件更新凝聚度矩阵,通过引入惩罚因子分别解决违反约束must-link和约束cannot-link的问题。最后,提出软件安全分析中基于轮廓系数的序列层次聚类算法。该算法在已知故障序列模式的前提下,利用故障特征矩阵反映软件故障特征与其所对应的行向量之间的关系,从而把对序列的聚类转化为对特征矩阵中行向量的聚类。通过对已有故障序列的层次聚类,缩小了软件故障特征分析时故障特征的匹配范围。