聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为现实数据集提供了模糊处理能力,在许多领域被广泛应用。本文在对基于划分的模糊聚类算法中模糊C均值聚类算法及其变种算法进行分析的基础上,围绕不同分布复杂度和数据量的数据集聚类及其输入参数问题进行了较深入的探讨,提出了密集簇中心二次模糊聚类算法SFCC和基于动态模型的分层模糊聚类算法DMFC两个基于层次的模糊聚类算法。基于FCM算法、SFCC及DMFC算法,本研究工作对基于层次的模糊聚类过程进行了模块化描述。 密集簇中心二次模糊聚类算法中引入聚类有效性度量,避免聚类簇数目作为输入参数,不再偏好发现球形和相似大小的簇分布;为进一步提高算法的模糊聚类能力,提出了基于动态模型的分层模糊聚类算法,该算法基于k-最近邻居图的构造和划分,合并过程中综合考虑簇间的整体相似度和内在结构的相似性,在分布复杂的数据集上有较强的模糊聚类能力。 针对FCM算法、SFCC及DMFC算法这三类算法的具体实现,对比给出不同数据量及分布复杂度的数据集模糊聚类结果,经实验结果可视化对照及时间复杂度分析,表明本研究工作提出的SFCC算法与DMFC算法在不显著增加时间复杂度的前提下,对分布复杂的数据集具有较高的模糊聚类能力。