聚类是一个将数据集划分为若干子集的过程,是数据挖掘的重要分支之一,在引入模糊理论的模糊聚类算法为现实数据提供了模糊处理能力,使在运用聚类进行聚类分析时不再是非0即1的二值聚类,使得模糊聚类在许多领域得到广泛的应用。在本文中总结了聚类的过程,并对聚类算法进行分类,讨论了这些算法的优缺点。传统经典的聚类算法是一种硬件划分,它的原理是把每个待辨识的元素对象严格地划分到某个类中,而在实际的分类过程中对象的属性是相对的,没有明显的限定,适合进行软划分。模糊集理论能够很好地处理这种软划分聚类。将样本数据进行模糊聚类得到数据在不同类别的属性,表示数据类属的中介性,使模糊聚类成为聚类分析研究的主流。首先在分析了聚类算法的研究背景和意义,由于传统聚类算法聚类的极限性,不能很好地适应现实应用,指出模糊聚类的优点。随后对聚类算法的定义以及算法的运算过程进行研究说明,最后将聚类算法的分类进行研究和总结分析,并将几种应用比较经典的聚类算法进行分析对比,分析了HCM和FCM聚类算法的流程,根据这两种经典的聚类算法进行随机数据的HCM和FCM聚类效果实验,最后对实验结果进行分析。最后对模糊聚类算法进行改进,通过采用结合全局空间信息与多核局部信息FCM算法对数字图像进行聚类分析,并在算法中加入模糊聚类的有效性指标对聚类结果进行分析。本章最后将改进后的FCM算法对自然图像聚类进行详细的对比实验,并将实验结果进行分析说明。