随着网络技术的快速发展和中大型数据库系统的出现,海量的数据被收集、存放在这些数据储存库中。但是,人们仍然没有掌握强有力的工具去理解它们所带来的潜在知识,这就导致了数据丰富、信息贫乏现象的出现。为此,学者们提出了数据挖掘技术。在数据挖掘领域,聚类分析作为统计学的一个分支,已经被广泛研究了许多年,研究内容主要集中在基于距离的聚类分析上,目前,其研究工作已经集中在为大型数据库的有效聚类分析寻找适当的方法。研究主题主要集中在聚类方法的可伸缩性、方法对具有复杂形状和类型的数据聚类的有效性、高维聚类技术、以及针对大型数据库中具有混合属性数据和分类属性数据的聚类方法。本文详细介绍了数据挖掘技术,内容包括数据挖掘技术基础知识、研究对象、和任务。并且在此基础上,对数据挖掘中的聚类分析作了详细的介绍,主要从聚类分析中的数据结构和数据类型、主要聚类算法的分类、和常用的基于划分的聚类算法。重点研究了分类属性数据的K-Modes和K-Prototypes两种聚类算法。针对K-Modes算法,主要讨论了K-Modes算法中关于两个对象之间基于距离的相异度度量公式,综合考虑数据对象之间的相异程度和相似程度,在基于划分的基础上,重新定义该相异度度量公式；针对K-Prototypes算法,主要论述了K-Prototypes算法中关于聚类初始值的选取问题,通过按频率分解的方法,和动态分组的方式,进而对原有算法进行改进。实验表明,改进后的算法较原算法,聚类质量有一定程度的提高。