对由多个指标组成的多源数据进行聚类分析时,数据维度的增加、各指标信息量不一致以及各指标服从的分布不同会增加聚类问题的复杂性,乃至影响聚类结果的准确性。现有的聚类方法在处理多源数据时假设指标数据相互独立,不考虑各指标的信息量差异,因此我们需要提出新的聚类方法来克服这些问题。本文在已有研究的基础上提出改进的带粘性的层次Dirichlet过程(sticky Hierarchical Dirichlet Process)方法来对多源数据进行聚类分析,以解决各指标信息量差异问题,并用粘性参数反映各指标与总体聚类之间的相关性。通过对仿真模拟数据和IRIS数据集的聚类分析,我们证实了该方法的有效性,同时发现指标数据的相关性越大,总体数据聚类结果的准确率越高,而当指标数据的相关性有高有低时,对sticky HDP模型聚类的准确率影响不大,表明了带粘性的层次Dirichlet过程方法具有稳健性。同时,我们还发现指标数据粘性的大小,可以直接反映指标数据与总体聚类之间相关性程度的高低。此外,通过对不同粘性情况下指标数量与总体聚类准确率之间的研究,我们还发现从多源数据中选取少数几个粘性参数较大,即重要性程度较高的指标进行聚类分析的结果即可反映总体数据的聚类情况,从而可以根据粘性参数的大小进行重要指标的筛选,实现数据的降维聚类,达到简化模型的效果。在对仿真模拟数据和IRIS数据集进行聚类分析时,我们应用带粘性的层次Dirichlet过程方法,发现它比其他聚类方法:最长距离法、K-均值法、PAM算法、主成分分析法以及混合模型法,有更高的准确率。尤其当数据有少数几个相关性较大的指标时,带粘性的层次Dirichlet过程方法明显优于其他聚类方法,能够显著提高分类的准确性和具有稳健性。最后,我们对广东、河南、安徽、江苏、四川这五个农业大省共85个地级市2016年农业现代化数据进行聚类分析,聚类结果表明带粘性的层次Dirichlet过程方法对于这些地级市农业现代化发展水平划分结果的合理性明显高于其他方法,能够准确判断这些地级市农业现代化发展所处的水平。同时,用粘性参数反映各指标在农业现代化发展水平划分中的重要性程度具有客观性和准确性,能够准确找出影响农业现代化发展的重要因素。