人口资源是最具战略性的资源,作为世界上人口最多的国家,加强人口管理现代化,对于我们国家各项事业的发展至关重要,其中暂住人口管理就关系着治安管理。在数据挖掘领域中,聚类分析是一项重要的研究课题,聚类的目标是在没有任何先验知识的前提下,根据数据的相似性将数据聚合成不同的簇,使得相同簇中的元素尽可能相似,不同簇中的元素差别尽可能大。把聚类分析应用到暂住人口的挖掘中,可以发现不同特征的暂住人群,对暂住人口的调整和控制有很大的帮助。目前,人们提出了很多种聚类算法。其中,典型代表是基于距离的聚类算法和基于密度网格的聚类算法。本文主要研究以k-中心点算法为代表的基于距离的聚类算法和以CLIQUE算法为代表的基于密度和网格的聚类算法。在k-中心点算法中,探讨用中心点差异矩阵来提高聚类速度,避免了传统算法中迭代次数随数据记录以平方增长,不适应大数据集的弊端。在CLIQUE算法中,改进密度阀值和区间个数单一的做法,提高聚类精确度:细化属性分区,不同的属性区间个数不同;随维数的增加,密度阀值相应减小,以获得更大的聚类覆盖面。为了测试改进的聚类算法的性能,本文设计并实现了一个关于暂住人口的聚类实验,程序可以方便地实现数据源连接、聚类分析以及二维数据的可视化。实验验证了k-中心点改进算法可以快速聚类,但是容易陷入局部最优解。而优化后的CLIQUE实现了更大的覆盖。最后用改进的k-中心点算法思想和CLIQUE的基于属性区间统计思想解决了一个实际研究课题。