数据聚类就是将一个数据集中的数据按照某种条件聚成若干个簇,使得簇中的数据相似性较高,而簇间的数据则相异性较高的过程。聚类分析已被确认为是知识发现方面主要的数据挖掘工具并应用在众多领域,如模式识别,基因组分析和市场研究。K-means聚类算法应用在聚类任务的很多方面,但是K-means本身存在着以下的缺点。首先,初始化问题,即随机选取的初始值可能会导致不同的聚类结果,甚至会造成无解;其次,用户必须输入先验的类数;再次,K-means算法是噪声敏感的;最后,K-means算法处理大型数据集的效率和结果往往是不能接受的。相对于K-means算法,大多数现有的网格聚类算法具有线性的时间和空间复杂度,从而可以很好地实施在大型数据集。在本文中,我们提出了一种基于网格的划分式算法,以克服K-means算法的缺点。这个新算法基于两个主要的思想:1)极大化一组网格的平均密度代替K-means算法目标函数中使用的极小化最小平方误差; 2)使用基于网格的聚类算法彻底改变K-means算法中对象驱动的目标(数据)分配方式。因此,比起K-means算法,我们提出的算法获得了大约10~100倍的平均加速,同时能获得更好的划分结果。相比K-means算法,我们提出的算法还具有能处理类数未知的数据集的能力。通过与包括K-means算法在内的四个典型聚类算法在具有不同特征数据集上的聚类效果相比较,我们提出的算法的效率已被成功地验证。聚类有效性在聚类分析中有重要的研究价值。许多聚类有效性指标已经被提出用来估计类数。然而,面向不同的聚类算法和数据结构,没有一个聚类有效性指标能够完全工作的很好。在本文中,定义了一种新的基于网格结构的距离测度,来代替欧式距离(或其他距离)。结果,现有有效性指标的效率获得极大的改善,实验证明了新指标的有效性和稳定性。