进入二十一世纪以来,人与人之间、人类与物理世界之间的联系变得愈来愈紧密。在这种情况下,数据的产生无处不在。然而,在数据规模几乎爆炸式增长的同时,数据质量并没有得到相应的提升,也无法得到足够的保障。因为数据在最初获取以及交换和传播的过程中,可能会出现各式各样的状况使得我们最终所获得的数据质量存在问题。然而常用的聚类算法通常需要数据的质量较高时才能正常使用,然而当大数据的质量存在问题时,这类方法通常表现欠佳。因而通常先使用数据清洗技术对存在质量问题的数据先行进行清洗,而后再进行诸如聚类的数据挖掘操作。但是在大规模数据上进行数据清洗往往具有很昂贵的时间开销,而最终的清洗效果可能尚不如人愿;即我们花费了大量的时间在数据清洗上,最终数据上可能仍旧存在无法清除的质量问题,也就是说最终清洗结果并不能显著的提高数据挖掘结果的质量。所以,直接在弱可用数据上进行聚类操作的研究对该问题的解决提供了一个新的思路,即我们不清洗数据直接进行聚类操作,或者在没有清洗干净的数据上进行聚类操作。本文主要研究如何在不完整数据集合上进行聚类分析的操作。首先,本文分析了不完整数据的空间结构,由此理解了不完整数据对于聚类操作的影响。据此设计了基于模糊聚类的不完整聚类算法,基于模糊聚类的不完整数据聚类算法将数据当中的缺失视为聚类迭代过程当中的优化变量,并在迭代过程中不断进行更新求解,完成不完整数据的聚类。基于密度分析的不完整数据聚类算法,将聚类过程中的两个核心要求进行了刻画,要求聚类当中的簇中心必须是周围点密度大的点,并且与其它的点密度大的点之间的距离尽量远,在确定了簇中心以后再依据一定的策略将其它点划分入当前的簇当中去。基于信息理论的不完整数据聚类算法将聚类过程视为记录对簇的不确定度不断变化的过程,随属性的加入,一条记录对类别的不确定度不断减小,直至最后我们可以将其划分到不确定度最小的簇当中去;针对不完整数据,我们需要先估计出需要的信息理论基本参数和簇的信息参数,通过这两者的结合,完成对不完整数据的聚类操作。在每种算法的设计最后,本文都通过相关的实验对算法进行了实验分析。