聚类分析是数据挖掘研究的一个重要方法。所谓聚类,就是将数据集划分成若干个子集的过程,每个子集称为一个类,使得同一类的数据对象具有高度的相似度,而不同类的数据对象之间的差异性尽可能大。　　 自组织神经网络是一种神经网络聚类方法,它以无导师监督的方式进行网络训练,通过网络结构的自组织性从大量输入数据中发现并抽取其内在的特征,在网络输出节点权值矢量空间上形成输入数据分布拓扑图,反映输入数据的某种分布规律,从而能够自动对输入模式进行聚类。　　 本文在研究自组织神经网络基本理论的基础上,分析了传统的Kohonen自组织特征映射算法的不足,并对其进行了改进。本文首先总结了自组织神经网络的研究现状,分析了其发展的趋势。　　 其次,本文从理论的层面剖析了自组织神经网络,包括其基本思想、网络结构、数学模型、学习过程等,明确了自组织神经网络训练过程中的三个关键问题,即网络的初始化,最佳匹配神经元的选择和网络中权值系数的调整。　　 第三,本文重点分析了传统的Kohonen自组织特征映射算法存在的问题,并提出了自组织特征映射算法的改进算法。在初始化网络的过程中,对权值矢量初始值的确定方法进行了改进；在选择最佳匹配神经元的过程中,对失真测度函数进行了改进；在调整网络权系数的过程中,对学习速率函数和邻域函数的模型和参数进行了改进和优化。　　 第四,本文将自组织特征映射算法应用于图像矢量量化编码中,实验结果表明,改进后的算法大大提高了网络的性能,并改善了样本的聚类效果。　　 最后,对研究工作进行了总结,并提出了后续的研究方向,为进一步的研究开拓了思路。