伴随着数据挖掘的发展,对聚类的研究越来越深入。目前存在很多种聚类方法,其中模糊C-均值聚类算法应用最广泛,基于该算法提出了很多改进的算法以达到更好的聚类效果。对于聚类后的效果,需要聚类有效性指标进行评价。针对模糊C-均值聚类算法和聚类有效性指标的研究现状,本文在以下方面进行了改进:(1)针对模糊C-均值聚类算法提出了属性加权的思想。由于数据集中不同的属性对聚类的影响是不同的,因此有必要对属性赋予不同的权重。基于属性加权的思想,本文得到了新的模糊C-均值算法的目标函数、聚类中心和隶属度函数的迭代公式,并通过实验对改进后的聚类进行验证。(2)提出两种新的聚类有效性指标。由于聚类问题的多样性,没有统一的聚类有效性指标衡量所有的聚类结果,只能从不同的聚类有效性指标分别进行改进。本文提出了两种聚类有效性指标,第一种:基于N.Zahid指标,通过改进该指标中的模糊类间分离度和类内紧密度,形成新的聚类有效性指标;第二种:结合Vxie指标、Vbsaid指标和Vkwon指标,并引入新的惩罚因子得到新的有效性指标。对于这两种新指标均通过仿真实验得到验证,其稳定性、判决性及鲁棒性良好。