近几年来，随着互联网信息技术不断更新发展，对数据的海量快速存储和分析提出了更高的要求，因此数据挖掘也得到了广泛的关注和研究。　　二十世纪以来，由于各种因素引起的不确定性问题，产生出一种新的数据类型—不确定数据。在实际系统中，随着对结果精确度的要求不断增高，不确定数据越来越严重地影响到了系统的可信度和稳定性，所以研究不确定数据的聚类算法就显得很有必要性。针对上述问题，本文做了相关研究和实验，主要的工作和成果如下：　　1.介绍了数据挖掘、聚类、不确定数据聚类等综述思想，介绍了国外的相关研究现状并都有文献依据，让读者有所闻有所了然。　　2.在不确定数据聚类的大前提下，引进了三角模糊数表示的不确定数据，并经过仔细的分析比较且融合现有的一些理论依据，提出了新的三角模糊数的距离公式，为接下来的算法成型和扩展作了准备基础，也给其他的相关研究提供了一个新的思路。　　3.利用提出的新三角模糊数距离公式，结合基础的K-means算法，形成一种新的不确定数据聚类算法UTDK-means，该算法另辟蹊径，具有时间复杂度小，聚类效果良好的优点。　　4.因为注意到模糊聚类特有的模糊划分策略与不确定数据的不确定性有较好的契合度，所以尝试将新三角模糊距离运用到经典的模糊聚类算法FCM算法中，形成了新的基于三角模糊数的不确定模糊聚类算法UTFCM算法，该算法也具有时间复杂度小，聚类效果良好的优点。　　5.由于FCM的特殊性，该算法中的模糊度参数m对算法运行结果有很大的影响力，并且目前为止还没有文献对该参数确定某个取值，只有参考范围或参考取值，所以本文基于这种情况，在UTFCM算法的基础上提出了基于遗传算法的模糊度自适应筛选算法m_UTFCM，经实验分析，在多次运行算法的基础上，该算法能较有效地筛选出适合当前样本的模糊度参数m，使得之后的FCM算法运行后能得出最佳的聚类效果。