数据挖掘指的是从大量数据中提取隐含的、事先未知的、并且潜在有用的知识的技术,是目前国际上数据库和信息决策领域最前沿的领域之一。聚类分析就是其中一个重要的研究方向,对它进行深入研究在理论和应用上都有重要价值。目前,很多学者都在尝试用不同的方法来处理聚类问题。但是由于聚类问题属于非监督模式识别问题,现有的方法还存在不足,这就要求对现有聚类技术进行改进,提出新的聚类理论和方法以适应新的应用。本文通过研究,借鉴传统的最小生成树(minimum spanning tree,MST)聚类算法的先进思想,并分析该方法在聚类算法在时间复杂度和聚类效果上的不足,提出一种新的应用于一般问题的改进最小生成树(improved minimum spanning tree,IMST)的聚类算法,该算法首先通过对数据集、中间集的处理,使用一种新的方法构造最小生成树,提高了构造生成树的效率;然后,通过清除最长边后,对初步划分的生成树用矩阵表示,以度最大的结点作为聚类中心,再根据中心点算法完成聚类,解决了以往最小生成树算法无法解决的多个簇用短边或长度相同的边相连无法分类的问题,从而提高了聚类速度,改善了聚类的质量;最后,通过对多维数据进行分析,通过计算各个属性的差异度,能够得出结论,一些属性的存在对于构造生成树有很小的影响或没有影响,删除这些属性列也可以提高效率,达到减少计算复杂性的目的。本文提出的方法解决了传统MST聚类算法存在的问题,并使用降低数据维数的方法,进一步提高了效率,实例验证,该方法具有理论和现实双重意义。