1、聚類分析作為數(shù)據(jù)挖掘領(lǐng)域的一個重要技術(shù)，被廣泛的應(yīng)用于醫(yī)療診斷、圖像處理、信息檢索、數(shù)據(jù)壓縮和機器視覺等多個領(lǐng)域，其發(fā)展前景越來越受人們的關(guān)注。近年來隨著信息化時代的到來，人們所接觸到收集到的數(shù)據(jù)量越來越大，信息中所隱藏的信息也越來越復雜，人們迫切希望找到一種簡單高效的聚類算法來對數(shù)據(jù)進行提取分析，因此對于聚類分析算法的研究具有重要的實際意義。
　　在目前的各類聚類算法中，層次聚類以其簡單的邏輯原理以及準確的聚類結(jié)果，得到了人們的

2、廣泛應(yīng)用。但是該算法對數(shù)據(jù)中的孤立點較為敏感，不能很好的處理含有孤立點的數(shù)據(jù)集，此外該算法由于需要重復的進行相似度計算，從而導致了較高的時間復雜度和空間復雜度，使其不適用于大規(guī)模數(shù)據(jù)處理。本文主要針對層次聚類算法的以上不足，進行了如下兩個方面的研究：
　?。?）針對層次聚類算法對孤立點敏感的不足，提出一種基于能量場的改進算法EFHC（Energy Field Hierarchical Clustering），該算法將引力場的概念引

3、入到孤立點的檢測中，將數(shù)據(jù)中的每個點看成引力場中具有一定能量值的能量點，根據(jù)數(shù)據(jù)點與孤立點場能的不同，識別出場能較低的孤立點，并將其去除，該算法可以有效的去除數(shù)據(jù)集中的孤立點，提高聚類的精確性。
　　（2）針對層次聚類算法計算復雜度過高的不足，提出一種新的基于數(shù)據(jù)切分的改進算法DHC（Divide Hierarchical Clustering），將大規(guī)模數(shù)據(jù)分塊切分為小規(guī)模數(shù)據(jù)，然后對小數(shù)據(jù)塊逐一進行聚類處理，得到每塊數(shù)據(jù)中的代