随着信息技术的发展,数据挖掘技术得到了广泛的关注。在数据挖掘技术中有很多研究领域,聚类分析是数据挖掘的一个非常活跃的研究方向,有着重要的理论意义和应用价值。目前在文献中存在大量的聚类算法,算法的选择取决于数据的类型,聚类的目的和应用。聚类算法具体可以分为划分方法,层次方法,基于密度的方法,基于网格的方法,以及基于模型的方法等。　　 在中、小规模的数据聚类应用中,层次聚类算法不仅适合用于任意属性和任意形状的数据集,还可以灵活控制不同层次的聚类粒度,因此具有较强的聚类能力。而传统的凝聚层次聚类算法大部分只能处理数值属性数据,本文针对字符型数据和混合型数据的聚类方法进行了研究。　　 首先,在经典粗糙集(又称Rough集)理论的基础上,通过松弛对象之间的不可分辨和相容性条件,得到了基于和谐关系的扩展粗糙集模型。该方法有别于传统凝聚层次聚类算法中广泛应用的距离方法,采用和谐度的定义,有效地解决了混合属性对象间的相似性度量问题。　　 其次,重新定义了个体间不可区分度、类间不可区分度、聚类结果的综合近似精度等概念,提出了一种新的混合数据类型层次聚类算法。该算法不仅能处理数值型数据,而且能处理大多数聚类算法不能处理的字符型数据和混合型数据。实验验证了算法的可行性。　　 最后,结合Web用户的行为模型,将新的层次聚类算法应用于Web用户挖掘中,提出了一种新的Web用户聚类算法。该算法综合考虑了Web用户浏览行为中的浏览时间和浏览频率,提高了Web用户挖掘的准确度。实验证明该算法比单纯考虑时间或单纯考虑频率的算法具有更好的聚类结果。