聚类分析是数据挖掘的一个研究热点。业已广泛研究的模糊聚类算法,往往只适用于静态数据集的聚类;对于动态数据集,新增数据后前期的聚类结果不再可靠,而运用此类算法重新聚类,势必造成效率低下和计算资源浪费。针对上述问题,提出了基于模糊相似度的增量式聚类算法,并对基于C-均值和网格的增量式聚类算法进行了研究。基于模糊相似度的增量式聚类算法逐个考查新增数据,计算新增数据同已有聚类数据的相似程度,并和算法给定的阈值参数进行比较,直接得到和全部数据重新聚类相同的结果,避免了对模糊相似度矩阵进行传递闭包等运算;通过最大树聚类算法中最大树的生成过程,证明了该算法和常用的最大树法、传递闭包法等聚类算法等价,相关实验也证实了算法的等价性。并且增量式算法的聚类效率有较大提高。同时,对基于C-均值和网格的聚类算法进行了改进研究,通过对传统的C-均值融入先验知识,以及利用网格将空间量化的思想,分别实现了基于先验知识的增量式C-均值聚类算法和基于网格的增量式聚类算法。在大型数据库的知识发现中,在数据不断增长的情况下,增量式聚类技术不仅能够利用前期聚类的计算结果,充分提高聚类分析的效率,而且可以降低维护知识库所带来的巨大开销。