【摘要】【目的】为解决由经典聚类算法改进而来的不确定数据聚类算法往往存在原有算法本身的缺点问题,提出一种新的不确定数据聚类方法。【方法】改进不确定距离的度量方法,确保两个不确定对象在以一定概率存在的前提下,再进行二者概率差异的比较;确定聚类中心后,依据局部密度定义最大支持点、密度链域等概念,据此提出一种将数据对象归入相应聚类中心所在簇的新算法。【结果】利用UCI机器学习库中的数据集验证本文聚类算法,实验结果表明,F值较传统不确定数据聚类算法(UK-Means和FDBSCAN)在两组数据集上分别最高提升13.23%