随着互联网的高速发展,各行业智能信息采集系统已广泛普及,由此产生的数据资源呈现爆发式增长。如何有效利用这些数据来分析和挖掘工业生产数据、医疗病历数据等行业数据分布规律,为工业生产或医疗辅助诊断等提供可供借鉴的指导作用。聚类算法是数据挖掘领域一种重要的数据分析方法,多数聚类算法采用无监督学习方式,不同于这些经典聚类算法,LVQ（Learning vector quantization）算法是一种需要数据标签信息的聚类算法,因此其不属于无监督聚类算法。LVQ算法优点是理论机理简单,在处理低维数据时具有较好的聚类效果,但其存在“局部最优解”现象,且随着数据维度增大,计算量随之增大,但聚类效果呈现下降趋势等缺陷,如何有效提高其聚类性能,是本文重点研究内容。深度强化学习作为一种将深度学习与强化学习结合的算法,充分利用了深度学习较强的感知能力,以及强化学习的决策能力。被广泛应用于电力调度、路径规划、智能控制、推荐系统、游戏等诸多领域。采用深度强化学习较强自主学习能力对LVQ算法进行优化,有助于提升其聚类性能。本文主要工作如下。首先,为了解决传统聚类算法对于高维数据聚类效果较差的问题,运用深度学习中的SAE（稀疏自编码,Sparse Auto Encoder）对原始数据进行降维,给出了结合三层稀疏自编码降维的LVQ聚类算法（Deep Learning Clustering,DLC）。将SAE中的隐藏层设为三层,通过SAE降维后的数据运用于LVQ算法。实验结果表明,基于降维后的数据,LVQ算法聚类性能更优。其次,影响聚类性能的重要因素除了数据本身分布特性及其维度大小等,聚类算法本身实现机理是更重要影响因素。LVQ算法在聚类过程中,原型向量需与数据集中每一个样本点做“拉近”或“远离”运算,但和其中有些样本点的这种运算是不必要的,如何筛选有意义的运算样本以提高聚类效率,有必要探究。为此,本文进一步基于深度强化学习算法对LVQ聚类算法进行优化,提出了基于深度强化学习优化的聚类算法（DQN-LVQ）。首先对原始数据集采用三层SAE算法进行降维处理,然后将LVQ算法的每一次迭代看做深度强化学习的一个状态,LVQ算法初始化一组原型向量后,用原型向量与数据集中每一个数据点做“拉近”或“远离”运算来完成初次迭代。进而,依据“探索”和“利用”机制,DQN-LVQ算法仅挑选一部分数据点与原型向量做运算,并把这一过程视为强化学习智能体的一个动作;数据子集选取的不同,产生的动作也不同;将这些动作组成智能体动作集,选定动作后,根据奖赏函数找到最佳动作,进入下一状态。用于公共数据集仿真结果表明,改进后的算法聚类性能更优。论文最后将上述聚类算法进一步用于工业生产数据及医疗数据分析,以验证算法性能。工业生产领域,多晶硅以及碳碳沉积材料生产工艺复杂,工序繁多,其产品质量受多种因素共同影响。工业界常使用物理和化学等传统方法对多晶硅生产流程和原料的化学成分进行分析以提高产品的质量。多晶硅以及碳碳沉积材料实际生产过程中原料种类和配比方案复杂多样,使用传统的分析方法难以从中找出成本低廉,经济效益较高的原料配比方案。将聚类算法用于二者生产数据分析,结果表明,其对提高多晶硅实际生产过程中原料配比方案选择效率、挖掘高效的碳碳沉积材料生产数据具有一定效果。脑卒俗称“脑中风”,是常见的具有极大危害,造成严重后果的脑部疾病,具有极高的死亡率。对脑卒中患者数据进行聚类分析,有助于分析卒中患者数据分布规律,挖掘脑卒中发病风险关键因素。本文提出的聚类算法应用于脑卒中患者病历数据分析表明,所提出算法具有较好聚类效果,对将其未来用于辅助临床医生分析病历数据,挖掘数据潜在分布规律,具有一定参考价值。