聚类分析是在对数据不给任何假设的条件下,用数学方法研究和处理所给对象的分类以及各类之间的相似程度。随着现代信息技术的发展,已广泛应用于各种工程和科学领域,如模式识别、数据挖掘、图像分析、信息检索、生物信息学、心理学、通讯、远程感应等。　　 聚类算法和最佳聚类数的选择在整个聚类分析过程中是最关键的步骤。目前出现的聚类算法有很多,这些算法可以被分为基于划分方法、基于层次方法、基于密度方法、基于网格方法和基于模型方法等。一般来讲,聚类的最终目标是使类内距离极小化而类间距离极大化,因此,将优化的聚类个数应用于基于高斯核的模糊聚类算法。　　 本文对聚类分析的基本思想和典型算法进行了归纳和研究,通过定义类内紧密性及类间离散性准则,引入高斯核,对模糊动态聚类算法进一步研究,主要研究以下三方面的内容:　　 (1)通过类内离差和与类间距离和的比较,对聚类个数进行优化。　　 (2)采用应用凝聚层次聚类算法来构造初始聚类中心,并将优化的聚类个数应用于基于高斯核的模糊聚类算法。　　 (3)用IRIS数据集和Wine数据集对算法进行了比较实验,结果表明优化的聚类个数与原始数据一致,准确率优于凝聚层次聚类算法、模糊C均值算法、KFCM算法。　　 本文引入定义类内紧密性及类间离散性准则,可以在优化的聚类数的基础之上进行聚类,使得本文的算法得到更好的聚类结果,并且所获得的结果具有重要的应用价值。