聚类分析一直是数据挖掘和知识发现领域最重要的研究方向之一,聚类技术也得到了越来越多的关注,并且广泛应用于工程、生物医药、市场营销、商业智能与决策分析等诸多领域,切实为企业创造了巨大的价值。虽然聚类分析发展到如今,技术日益成熟,也产生了诸如K-Means、BIRCH、DBSCAN、SOM等非常经典的算法,但随着应用领域的更加广泛,面对的数据集类型也更加多变,分布也更加复杂,对聚类算法的要求也越来越严格。每种聚类算法都有一定的局限性,几乎没有任何一种聚类算法可以适合所有的情况。所以,一种尝试将不同聚类算法的优点融合起来以得到更优结果的思想于2002年被首次提出,并迅速成为研究热点,这就是聚类融合。如果更加通俗的来讲,聚类融合可以说是对聚类结果再进行聚类,所以,普通聚类算法是对数据集进行研究和处理,而聚类融合是对单一聚类的结果进行再聚类。由于聚类融合是一个新兴的研究方向,本身也还处在探索和发展阶段,尤其在聚类成员的产生和共识函数的设计两个层面,还存在许多问题,需要进一步研究完善。本文的主要工作是详细分析和研究了当前聚类和聚类融合领域的经典算法思想,并通过横纵向对比各个算法的优点和存在的问题,引入一种基于PCA的加权聚类融合算法。该算法利用PCA的思想产生聚类成员,较之K-Means等算法,该方法可以确定化初始聚类中心,避免了由于随机选取聚类中心而造成的结果不稳定和质量低等缺点。同时,在融合函数设计方面,将聚类成员的质量系数和K值系数作为权值分配的依据,从而加强质量较好的成员对结果的影响,降低干扰。最后,以某电信分公司的电信业务为背景,对客户的通话时长、短信总量、话费、上网等数据进行预处理,并使用改进的聚类融合算法对其进行客户细分。