一、分級聚類 Hierarchical Cluster
分級聚類通過連續不斷的將最爲相似的羣組兩兩合併，來構造一個羣組的層次結構。其中的每個羣組都是從單一元素開始，在每次迭代的過程中，都會計算兩個羣體之間的距離，並將距離最近的兩個羣組合並。並重復這一過程，直到只剩一個羣組。
代表算法有：BIRCH算法、CURE算法、CHAMELEON算法等；
二、劃分法
使用這個基本思想的算法有：K-MEANS算法、K-MEDOIDS算法、CLARANS算法；
1、 K-Means Cluster
K-means算法是硬聚類算法，是典型的基於原型的目標函數聚類方法的代表，它是數據點到原型的某種距離作爲優化的目標函數，利用函數求極值的方法得到迭代運算的調整規則。K-means算法以歐式距離作爲相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最小。算法採用誤差平方和準則函數作爲聚類準則函數。
原理如圖：
公式：
1、隨機選取K個質心的值
2、計算各個點到質心的距離
3、將點的類劃分爲離他最近的質心，形成K個cluster
4、根據分類好的cluster，在每個cluster內重新計算質心(平均每個點的值)
5、重複迭代2-4步直到滿足迭代次數或誤差小於指定的值
2、K-medoids
1、隨機選取K個質心的值 （質心必須是某些樣本點的值，而不是任意值）
2、計算各個點到質心的距離
3、將點的類劃分爲離他最近的質心，形成K個cluster
4、根據分類好的cluster，在每個cluster內重新計算質心：
4.1 計算cluster內所有樣本點到其中一個樣本點的曼哈頓距離和(絕對誤差)
4.2 選出使cluster絕對誤差最小的樣本點作爲質心
5、重複迭代2-4步直到滿足迭代次數或誤差小於指定的值
以上就可以看出兩者之間的區別：
k-means的質心是各個樣本點的平均，可能是樣本點中不存在的點。k-medoids的質心一定是某個樣本點的值。
三、密度算法
基於密度的方法(density-based methods)，基於密度的方法與其它方法的一個根本區別是：它不是基於各種各樣的距離的，而是基於密度的。這樣就能克服基於距離的算法只能發現“類圓形”的聚類的缺點。
這個方法的指導思想就是，只要一個區域中的點的密度大過某個閾值，就把它加到與之相近的聚類中去。
代表算法有：DBSCAN算法、OPTICS算法、DENCLUE算法等；
四、圖論聚類法
圖論聚類方法解決的第一步是建立與問題相適應的圖，圖的節點對應於被分析數據的最小單元，圖的邊（或弧）對應於最小處理單元數據之間的相似性度量。因此，每一個最小處理單元數據之間都會有一個度量表達，這就確保了數據的局部特性比較易於處理。圖論聚類法是以樣本數據的局域連接特徵作爲聚類的主要信息源，因而其主要優點是易於處理局部數據的特性。
五、網格算法
基於網格的方法(grid-based methods)，這種方法首先將數據空間劃分成爲有限個單元（cell）的網格結構,所有的處理都是以單個的單元爲對象的。這麼處理的一個突出的優點就是處理速度很快，通常這是與目標數據庫中記錄的個數無關的，它只與把數據空間分爲多少個單元有關。
代表算法有：STING算法、CLIQUE算法、WAVE-CLUSTER算法；
六、模型算法
基於模型的方法(model-based methods)，基於模型的方法給每一個聚類假定一個模型，然後去尋找能夠很好的滿足這個模型的數據集。這樣一個模型可能是數據點在空間中的密度分佈函數或者其它。它的一個潛在的假定就是：目標數據集是由一系列的概率分佈所決定的。
通常有兩種嘗試方向：統計的方案和神經網絡的方案。