聚类是一种非常重要的无监督学习方法,它通过计算样本之间的相似度,能够将相似的样本划分到同一个簇,不相似的样本划分到不同的簇,在数据挖掘任务中具有简单、高效等优势。直觉模糊聚类算法作为一种模糊聚类算法的一种推广,能更清晰地描述客观世界中模糊信息,因而在各个领域被广泛应用。但该算法仍然存在许多问题,如初始隶属度矩阵对聚类结果影响较大、对噪声和孤立点较为敏感等。因此,本文对该算法的上述问题进行研究,并提出了相应改进算法,具体工作如下:（1）针对直觉模糊聚类算法随机生成初始聚类中心导致算法运行时间长,容易陷入局部最优的缺点,提出了一种基于度中心性直觉模糊聚类算法。通过设置阈值将样本数据构建成网络,将样本数据之间的距离的倒数作为网络中的边权重,利用网络中节点度中心性寻找重要节点的方法,计算网络中节点的度中心性,选择网络中度中心大且不相连的节点作为初始聚类中心,并计算相应的隶属度矩阵。实验证明与直觉模糊聚类算法相比,改进算法提升了算法的收敛速度和稳定性。（2）在处理样本分布不均匀或存在噪声的数据时,直觉模糊聚类算法由于隶属度存在约束,导致某些数据对每一类的隶属度都很大,从而影响聚类效果。本文采用松弛隶属度约束的方法,提出一种松弛隶属度约束直觉模糊聚类（RM＿IFCM）算法,将对一个样本的隶属度约束松弛为对全体样本的隶属度约束,从而减小距离聚类中心较远的数据对聚类中心的影响,针对在算法中因隶属度过大或过小产生的问题,提出了一种新的隶属度修正方法。通过实验与可能性模糊聚类算法和抑制式模糊聚类算法对比,发现该算法的抗噪能力更强。（3）在将RM＿IFCM算法应用到将灰度图像分割中时,发现该算法无法利用图像的空间信息,使得对灰度分布复杂且噪声显著的图像很难达到预期效果。因此本文提出了一种基于加权像素距离的RM＿IFCM算法,使用邻域像素隶属度均值对像素到聚类中心距离进行加权,使得噪声数据的隶属度与邻域像素隶属度更为接近,从而能够减小图像噪声对分割结果的影响。实验表明,基于加权像素距离的RM＿IFCM算法在对含噪声的灰度图像的分割效果比其它算法更好。