聚类算法是一类数据挖掘技术，用于对数据集中的对象进行分组，使得内部相似度高而外部相似度低。主要的聚类方法有以下几种：
1. 分裂法（或称划分法），如K-MEANS、K-MEDOIDS和CLARANS算法，其基本思路是将数据集分成K个相互独立且内部紧密的聚类。这些算法从初始分组开始，通过迭代优化，使得同一聚类内的数据点尽可能接近，不同聚类间的距离尽可能大。
2. 层次法，如BIRCH、CURE和CHAMELEON，它将数据集逐步合并成一个层次结构，从单个数据点开始，逐步形成更大的聚类，直至所有数据合并或达到预定条件。这种方法可以揭示数据间的复杂关系。
3. 密度基方法，如DBSCAN、OPTICS和DENCLUE，通过计算点的密度而非距离来识别聚类。这种算法能处理非球形聚类，并对密度高的区域进行聚类。
4. 网格基方法，如STING、CLIQUE和WAVE-CLUSTER，将数据空间划分为网格单元，以单元为单位进行处理，优点是处理速度快，与数据点数量关系不大，主要取决于网格划分的精细程度。
5. 基于模型的方法，如统计模型和神经网络模型，对每个聚类假设一个特定的模型，然后寻找最符合该模型的数据集。这种方法假设数据由概率分布决定，适用于数据具有明显模式的场景。
聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。