金融信息化是当代商业银行体系增强竞争能力、应对WTO挑战和推动商业银行持续变革发展的重要力量。作为金融信息化的重要方面，发展银行卡业务已经成为当前商业银行的一项主要业务策略。当前商业银行数据库系统积累了海量的银行卡客户数据，银行卡部门只有充分利用这些数据，控制风险，保留优质客户和提升潜在优质客户，才能有效提高其自身竞争力。因此，通过与数据挖掘技术相结合，对银行卡的客户群体进行有效的分类管理，将银行卡客户按照不同特征分成不同群体，以帮助管理者选择正确的客户策略，实现以客户为核心的业务流程，对于银行卡业务的蓬勃发展具有极为重要的意义。 数据挖掘是在数据库系统及统计技术基础上发展起来的一个新兴学科。聚类作为数据挖掘的一种重要技术，广泛运用于模式识别、市场细分、目标顾客定位、业绩评估、生物群种划分、客户分群等许多领域。 聚类算法经过了多年的发展，取得了丰硕的成果，但是目前仍有许多问题无法解决。随着现代算法的研究深入，基于模糊神经网络的聚类算法将模糊系统的易于表达知识和神经网络的自学习能力强的特点有机的结合在聚类分析中，与其它确定聚类系统相比，这种系统对聚类的形成更符合认知行为，因此成为当前聚类研究的一个重点。 模糊Kohonen聚类网络(Fuzzy Kohonen Clustering Network)，作为模糊神经网络聚类算法的典范，用Kohonen类型的算法来实现模糊C-均值聚类问题，较好的体现了在保持数据整体拓扑结构的前提下的模糊控制特性，将其与经典的SOM算法相结合，可以使自组织映射模型的收敛速度大大加快。 本文针对基于模糊神经网络的客户聚类这个主题，研究内容主要包括以下几点： 1、研究了基于统计理论的聚类分析理论和方法，并对基于模糊神经网络的FKCN聚类算法及其演化过程进行了详细分析。 2、FKCN算法及其修改形式进行分析的基础上，针对其网络收敛速度慢的问题及在机器运行中运算精度出现的问题，分别通过吸收竞争学习的思想以及硬分类的思想，提出了一种新型的改进的FKCN聚类算法，大大加快了算法的收敛速度。 3、将改进的FKCN聚类算法运用到银行卡分析与预测系统中，实现了银行卡客户细分功能。