聚类分析是一种重要的无监督学习方式,被广泛地应用于交通、金融、农业和医疗等实际领域中。但在聚类分析中,类簇数的确定问题一直都是一个难题。传统的引入聚类有效性指标的方法不仅具有倾向性,而且大都是基于二支划分的,如何在刻画数据对象与类簇之间的不确定性关系的基础上从多个角度确定最优类簇数依旧是一个问题。因此,论文展开了基于多有效性指标的类簇数自动确定方法的研究工作。为了能够从多个角度探索数据集的类簇数目,论文提出了基于加权内部有效性指标的类簇数自动确定方法。首先,基于三支决策思想,论文对k-means算法做三支改进,迭代运行三支k-means算法,生成不同k值的三支聚类结果。三支k-means算法的每个类由核心域、边缘域和琐碎域三个域表示。然后,基于已有的多个有效性指标构建多指标评价体系,从不同角度评估不同k值的聚类结果的质量。最后,根据制定的寻优策略选取最优类簇数。相对于融合前的单一有效性指标,论文验证了该算法在Vowel、Waveform、Wine等多个UCI真实数据集上的有效性。为了进一步提高算法性能,尽可能地利用现有的有效性指标,论文借鉴聚类集成研究中的中心划分法的思想,将每一种k值的聚类结果作为潜在的最优聚类结果,从而有效地将多个外部有效性指标引入到多指标评价体系的构建过程,进而提出了基于两类有效性指标的类簇数自动确定方法。此外,论文给出了基于多有效性指标的类簇数自动确定方法具有有效性的显式证明。同时,针对选多少个有效性指标构建评价体系的问题,本文也进行了讨论和分析。论文在多个UCI数据集上进行了多组对比实验,实验结果表明该算法相对于融合前的单一有效性指标和其他方法在自动地确定类簇数上更具有准确性。同时,论文讨论了如何将本算法应用到葡萄酒领域,解决葡萄酒品质鉴定的问题。