随着计算机技术和数据库技术的飞速发展,数据挖掘技术的应用越来越广泛。聚类分析是数据挖掘领域中一个十分活跃的研究方向,对它进行深入研究不仅有着重要的理论意义,而且有着巨大的工程应用价值。聚类就是将数据对象分组为多个簇,在同一个簇中的对象相似度较高,而不同簇中的对象相异度较大。目前,聚类分析已经广泛地应用于模式识别、数据挖掘、图像处理及机器学习等领域。与传统的聚类算法相比,模糊聚类建立起了样本对于类别的不确定性描述,更能够客观地反映现实世界,渐渐成为聚类分析的主流。在众多的模糊聚类算法中,模糊C-均值聚类算法(FCM)是当前最受欢迎的一种算法。但是,该算法存在着对初始聚类中心敏感、事先需要知道聚类数目、收敛速度慢的缺陷。本文详细介绍了各种传统聚类算法及其关键技术,并对几种常用算法的性能作了比较;分别描述了硬C-均值聚类算法和模糊C-均值聚类算法,并详细地研究和分析了模糊C-均值聚类算法的各步骤;运用分阶段聚类的思想对模糊C-均值聚类算法进行了改进,将聚类过程分成以下两个阶段:1.自动生成聚类数目和初始聚类中心,得到最佳初始参数;2.通过修正隶属度矩阵和聚类中心,加快收敛速度和提高聚类效果,并由此提出了一种改进的模糊C-均值聚类算法。最后,以郧西地区历年土壤流失作为数据,以C#.net 2005和SQL Server 2005为工具,采用该改进的算法,实现了对土壤侵蚀的分级,获得了较好的聚类结果。