模糊聚类是对没有标签的数据集进行有效划分的重要手段之一。随着大数据时代的到来,数据量呈指数增长,然而大多数数据是没有标签的,如何将这些数据准确分类,并为用户提供更准确的服务成了当今社会重点研究的方向。模糊C均值算法(FCM)是一种基于目标函数的模糊聚类算法,与典型的“硬聚类”算法(如k-means算法)相比较。FCM算法计算每个样本对所有类的隶属度,得到更可靠、准确的分类结果。然而,在聚类过程中,FCM算法需要人工确定聚类数目,并且对初始聚类中心敏感。容易产生多聚类迭代、收敛速度慢、局部最优解等问题。为了解决这些问题,本文提出将FCM算法与决策图相结合的算法(DGFCM)。首先利用决策图自动选择聚类中心和聚类数目,然后利用FCM算法实现聚类。本文首先综述了国内外关于改进FCM算法的研究方法,根据目标准则函数阐述了5个方向的FCM算法的改进;其次,通过实验证明了初始聚类中心对FCM迭代次数和聚类结果存在较大影响;再详细介绍了基于ρ-δ决策图的模糊C均值聚类方法;最后,分别采用UCI真实数据集和人工数据集作为实验样本数据,运用传统FCM聚类算法、快速密度峰聚类算法(DPC)、DGFCM算法进行聚类,计算三种聚类评价指标,分别比较其聚类效果。对比实验表明,改进的FCM算法具有较快的收敛速度和较高的精度。