聚类分析是一种无监督学习技术,在数据挖掘领域发挥着重要的作用.然而,在聚类分析过程中,如何确定类簇数一直以来都是一个难题.传统的引入单一有效性指标的方法不仅具有倾向性,且大多基于硬划分,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,基于现有的聚类有效性指标,针对不确定性数据,本文提出了一种新的基于多有效性指标的类簇数自动确定方法.首先,对k-means算法做三支改进,迭代生成不同k值的聚类结果;然后,引入多个有效性指标构建多指标评价体系,从多个角度评估不同k值的聚类结果的质量,克服单一有效性指标具有倾向性的缺点;最后,统计不同k值在评价体系中的综合评价情况,选择排名最好的k值作为最优k值.实验结果表明,与单一有效性指标相比,本文提出的方法在确定类簇数时更具稳定性和准确性.