数据挖掘中的聚类分析一直是近年来应用极为广泛的技术之一。所谓聚类,是物理或抽象对象的集合分成由类似的对象组成的多个类的过程。而随着信息技术的发展,数据的形式也逐渐多样化,很多数据集中都包含有不确定的属性,这类数据被称为不确定数据。在生物、医学等领域,这种不确定数据更为常见。传统的模型聚类算法并不能提供一个有效的方法来处理此类数据。本文针对经典的COBWEB算法,给出了一种基于不确定数据的聚类算法来解决原算法不能处理不确定因素的问题。本文首先分析研究了数据挖掘的相关理论与技术、数据挖掘中聚类分析一般步骤和经典算法,特别针对基于模型的聚类算法进行认真研究和分析。其次,在认真研究了原COBWEB算法的基础上,就其在应用过程中存在不能处理不确定数据的问题,给出了一种改进算法。改进算法以不确定数据作为输入源,采用经典的信息熵、欧氏距离和相似性度量理论改进了原算法的分类效用函数,新函数对于实例有更全面的解释和表达,同时也模型化了新分类树。最后通过仿真实验来对比两种算法,结果表明新算法能够有效地处理不确定数据,而且在不降低时间复杂度的基础上提高了聚类的质量和聚类准确率。