数据挖掘是一门非常广义的交叉学科,它融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。数据挖掘是从海量数据中用数学的方法发现有用的知识发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等,还可以用于数据自身的维护。数据挖掘的方法和数学工具包括统计学、决策树、神经网络、模糊逻辑、线性规划等。聚类分析是数据挖掘的一个重要研究领域,它是按照一定的要求和规律将事物进行分类的一种数学方法。随着模糊数学的兴起,用精确的数学的方法研究模糊问题,人们逐渐将精确和模糊统一起来。本篇论文将模糊数学的模糊理论应用于数据挖掘的聚类分析中,讨论了如何利用样本之间的模糊关系分析样本之间的关联程度,给出了模糊聚类分析在数据挖掘中的应用的主要步骤。进而对FCM算法进行了改进,提出了I-FCM算法,并用实例分析和程序设计加以对比验证,最后研究了决策树算法并用实例进行了讨论。