在现实世界中,许多客观事物之间的界限往往是模糊的,对事物进行分类时就必然伴随着模糊性,由此产生了模糊聚类分析。在模糊聚类分析中最典型的是模糊C-均值聚类算法。首先,针对区间值数据进行模糊C-均值聚类的缺陷,提出了一个适应距离的弹性系数,使区间值数据的模糊C-均值算法得到改进,并给出了详细证明,使改进后的算法既能利用传统的模糊C-均值聚类算法,又考虑区间大小以及属性的重要级别对聚类结果的影响,同时也能处理不规则的聚类子集,避免野点对聚类结果的破坏,使聚类结果更加准确。其次,针对数据库或数据仓库中增量的插入、删除,提出了更新聚类中心的方法和在类分裂过程中自动确定聚类初始中心的类分裂算法,解决在插入、删除过程中带来的类中心和聚类数目变化的问题,使算法满足实时性的要求。最后,综合集合论、凝聚度、分离度、更新聚类中心算法以及类分裂算法提出了AIFCM算法。AIFCM算法实时地处理增量问题,解决FCM只适用于静态数据集的缺陷,同时AIFCM在合并的过程中使以往的FCM聚类算法不只能够发现球型的聚类子集,还可以处理不规则结构的聚类子集。AIFCM聚类算法可以过滤噪声、处理增量数据,获得适合用户需求的聚类结果。