科技的进步，计算机的普及，信息技术的快速发展，互联网广泛应用和数据量的爆炸性增长，信息的重要性与日俱增。人们期望从这些数据中获取有价值的信息，发现事物的发展规律和趋势。然而通过简单的观察和计算并不能达到预想的效果，因此，人们迫切地需要更有效地数据分析方法。数据挖掘是利用计算机从大量的数据中自动搜索数据的过程隐藏于其中的有着特殊关系性的信息的过程。聚类分析是一种重要的数据挖掘方法，主要应用于模式识别，数据分析，图像处理以及市场研究等。本文首先对常见的聚类分析方法和聚类有效性评价函数进行分析，阐述其应用过程中的优势和不足，并总结可能性聚类分析的基本流程。其次，基于可能性理论对聚类分析方法和有效性评价指标进行改进，改进后的可能性聚类分析方法将可能性理论中的可能性测度和必然性测度结合，通过计算得到可能度，将可能度作为可能性聚类分析方法的指标，很好的解决了聚类过程中产生的重复聚类现象。改进后的聚类有效性评价函数主要由紧密性测度和分离性测度两个指标组成，其中，对紧密性测度中加强距离函数的运用，分离性测度中，设定距离临界值L，与原有的隶属度临界值T二者之间相互约束，减少删除噪点的数量，避免因数据信息丢失对评价结果造成的不准确性。最后通过中国移动客户流失实证分析，验证了上述方法的有效性和适用性。