模糊聚类分析随着模糊数学的发展在实际统计分析应用中扮演越来越重要的角色。传统聚类分析可以相对精准地对数据进行分类，但对于描述性质功能等非数字的数据集，模糊聚类分析打破了传统聚类分析的局限性，甚至对于一般的数据集模糊聚类分析从另一个角度提供了新的分析思路。因此论文在学习模糊聚类的基础上尝试将其运用到有特殊性质的数据集上并与其它聚类方式进行比较。该数据集为R语言模拟的已知线性数据集，目的为方便与聚类结果比较。 论文第一章介绍模糊聚类分析的理论，算法及R语言结果，包括模糊集合的有关内容及用绝对值减数法标定距离的传递闭包法模糊聚类步骤及算法。第二章介绍K均值聚类的理论，算法及R语言结果。第三章将两种种方法进行比较并展示两种聚类方式存在的不足。第四章对模糊聚类分析及K均值聚类分析在算法及程序上进行进一步优化，对模糊聚类分析采用模糊c均值算法，K均值聚类的聚类优良标准改为每个类的第二特征值判别。第五章对论文进行总结。