模糊C均值算法(Fuzzy C-Means clustering,FCM)是模糊聚类研究中的代表算法,该算法简单、高效,但是对噪声数据较为敏感。模糊C有序均值聚类算法(Fuzzy C-Ordered-Means,FCOM)加入了排序操作,使得噪声对簇中心点的影响降低,增强了算法的鲁棒性。但是FCOM算法一方面难以处理大规模数据,另一方面算法的时间复杂度较高。本文根据FCOM算法的思想,结合有序机制从鲁棒性和时间复杂度两个方面对模糊聚类算法开展研究,主要研究内容包括:(1)为了能够处理大规模数据,在FCOM算法的基础上,采用Single-Pass和Online增量框架,提出了两种模糊C有序均值聚类算法:SPFCOM算法(Single-Pass Fuzzy C-Ordered-Means clustering)和OFCOM算法(Online Fuzzy C-Ordered-Means clustering)。SPFCOM和OFCOM算法继承了FCOM算法的有序结构,保证了较好的聚类鲁棒性;同时具备了处理大规模数据的能力。为了验证算法的有效性,本文在多个公共数据集上进行了实验。实验结果表明,SPFCOM和OFCOM算法在聚类准确率和鲁棒性两个方面均优于对比算法。(2)FCOM算法采用有序加权平均运算符的排序方法,使得每个样本对簇中心点的影响不同,降低了噪声数据在迭代过程中对聚类的影响,但是算法复杂度较高。为了提高聚类效率,在FCOM算法的基础上,提出了一种特征加权的模糊C有序均值聚类算法(Feature Weighted Fuzzy C-Ordered-Means clustering,FWFCOM)。该算法加入极差正规化的思想,简化了耗时的排序操作,提高了算法的效率。本文使用多个数据集进行实验。结果表明,与对比算法相比,FWFCOM算法在不明显影响聚类准确性和鲁棒性的同时,有效提高了算法的效率。