随着多尺度数据挖掘领域研究的深入,多尺度分析在遥感图像识别、疾病检测、故障诊断以及聚类分析等领域的应用越来越成熟。然而已有的多尺度数据挖掘主要是针对数值型数据集进行定量分析与预测,对具有多尺度分类属性型数据集研究很少,尤其对于非独立同分布的分类型数据集的内在相似性度量没有得到实质性的解决。论文结合多尺度聚类数据挖掘理论与相似性度量方法,从多尺度聚类数据挖掘任务入手,构造分类属性型多尺度数据集聚类模型;利用无监督耦合度量相似性方法,提出针对非独立同分布的分类属性型数据集的基准尺度聚类挖掘算法;依据层次聚类中凝聚层次聚类思想及Lanczos插值理论,构建尺度转换模型,有效降低多尺度聚类数据挖掘中的尺度效应。本文以非独立同分布的分类属性型多尺度数据集为研究核心进行聚类分析,完成的工作主要包括以下几个方面:(1)研究分类属性型数据集的多尺度聚类理论基础。以耦合度量相似性理论为基础,通过综合考虑属性内和属性间的相似性,提出用于分类属性型数据集的多尺度聚类方法,将多尺度聚类方法扩展到分类型数据领域,完善多尺度聚类方法,为后续分类型数据集的多尺度聚类分析提供理论基础。(2)构建基于耦合度量的多尺度聚类算法框架。基于耦合度量相似性方法提出用于分类属性型数据集的多尺度聚类挖掘方法。首先,对非独立同分布的分类型数据集进行预处理;然后,基于尺度划分及基准尺度选择方法选择最合适的基准尺度;最后,结合耦合度量相似性方法构建多尺度聚类体系结构。(3)提出多尺度聚类算法。结合数据集划分与基准尺度选择方法,提出基于耦合度量的基准尺度聚类方法;基于凝聚层次聚类思想,提出多尺度聚类尺度上推算法;分析Lanczos插值的实质,从不同层面考虑已知样本点对待估样本的贡献率,结合基于三次卷积的尺度上推思想,提出多尺度聚类尺度下推算法。(4)验证与分析基于耦合度量的多尺度聚类算法。利用UCI和Kaggle公共数据集以及H省真实全员人口数据集对本文提出的算法和模型进行验证与分析。以CMS、IOF、HM等相似性度量方法与谱聚类相结合为对比算法进行实验。结果表明,构建的基于耦合度量的基准尺度聚类算法、基于单链的尺度上推算法和基于Lanczos插值的尺度下推算法在尺度转换过程中,在NMI、MSE和F-score等指标中分别有不同程度的提高,且具有较短的运行时间。实验证明,所提出的基于耦合度量的多尺度聚类算法具有有效性和可行性。