很难对聚类方法提出一个简洁的分类，因为这些类别可能重叠，从而使得一种方法具有几类的特征，尽管如此，对于各种不同的聚类方法提供一个相对有组织的描述依然是有用的，为聚类分析计算方法主要有如下几种：划分法、层次法、密度算法、图论聚类法、网格算法和模型算法。
以下对划分法和层次法等六种聚类算法种类做了详细的介绍。
1、划分法
划分法（partitioningmethods），给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K《N。而且这K个分组满足下列条件：
（1）每一个分组至少包含一个数据纪录；
（2）每一个数据纪录属于且仅属于一个分组（注意：这个要求在某些模糊聚类算法中可以放宽）；
对于给定的K，算法首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次好，而所谓好的标准就是：同一分组中的记录越近越好，而不同分组中的纪录越远越好。
基于这个基本思想的算法有：
a.k-means：是一种典型的划分聚类算法，它用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，该算法只能处理数值型数据。
b.k-modes:K-Means：算法的扩展，采用简单匹配方法来度量分类型数据的相似度。
c.k-prototypes：结合了K-Means和K-Modes两种算法，能够处理混合型数据。
d.k-medoids：在迭代过程中选择簇中的某点作为聚点，PAM是典型的k-medoids算法。
e.CLARA:CLARA算法在PAM的基础上采用了抽样技术，能够处理大规模数据。
f.CLARANS:CLARANS算法融合了PAM和CLARA两者的优点，是第一个用于空间数据库的聚类算法。
g.FocusedCLARAN：采用了空间索引技术提高了CLARANS算法的效率。
h.PCM：模糊集合理论引入聚类分析中并提出了PCM模糊聚类算法。
2、层次法
层次法（hierarchicalmethods），这种方法对给定的数据集进行层次似的分解，直到某种条件满足为止。具体又可分为“自底向上”和“自顶向下”两种方案。
例如，在“自底向上”方案中，初始时每一个数据纪录都组成一个单独的组，在接下来的迭代中，它把那些相互邻近的组合并成一个组，直到所有的记录组成一个分组或者某个条件满足为止。
代表算法有：
a.CURE：采用抽样技术先对数据集D随机抽取样本，再采用分区技术对样本进行分区，然后对每个分区局部聚类，最后对局部聚类进行全局聚类。
b.ROCK：也采用了随机抽样技术，该算法在计算两个对象的相似度时，同时考虑了周围对象的影响。
c.CHEMALOEN：首先由数据集构造成一个K-最近邻图Gk，再通过一个图的划分算法将图Gk划分成大量的子图，每个子图代表一个初始子簇，最后用一个凝聚的层次聚类算法反复合并子簇，找到真正的结果簇。
d.SBAC:SBAC算法则在计算对象间相似度时，考虑了属性特征对于体现对象本质的重要程度，对于更能体现对象本质的属性赋予较高的权值。
e.BIRCH:BIRCH算法利用树结构对数据集进行处理，叶结点存储一个聚类，用中心和半径表示，顺序处理每一个对象，并把它划分到距离最近的结点，该算法也可以作为其他聚类算法的预处理过程。
f.BUBBLE:BUBBLE算法则把BIRCH算法的中心和半径概念推广到普通的距离空间。
g.BUBBLE-FM:BUBBLE-FM算法通过减少距离的计算次数，提高了BUBBLE算法的效率。
3、密度算法
基于密度的方法（density-basedmethods），基于密度的方法与其它方法的一个根本区别是：它不是基于各种各样的距离的，而是基于密度的。这样就能克服基于距离的算法只能发现“类圆形”的聚类的缺点。
这个方法的指导思想就是，只要一个区域中的点的密度大过某个阈值，就把它加到与之相近的聚类中去。
a.DBSCAN:DBSCAN算法是一种典型的基于密度的聚类算法，该算法采用空间索引技术来搜索对象的邻域，引入了“核心对象”和“密度可达”等概念，从核心对象出发，把所有密度可达的对象组成一个簇。
b.GDBSCAN：算法通过泛化DBSCAN算法中邻域的概念，以适应空间对象的特点。
c.OPTICS:OPTICS算法结合了聚类的自动性和交互性，先生成聚类的次序，可以对不同的聚类设置不同的参数，来得到用户满意的结果。
d.FDC:FDC算法通过构造k-dtree把整个数据空间划分成若干个矩形空间，当空间维数较少时可以大大提高DBSCAN的效率。
e.DBLASD
4、图论聚类法
图论聚类方法解决的第一步是建立与问题相适应的图，图的节点对应于被分析数据的最小单元，图的边（或弧）对应于最小处理单元数据之间的相似性度量。因此，每一个最小处理单元数据之间都会有一个度量表达，这就确保了数据的局部特性比较易于处理。图论聚类法是以样本数据的局域连接特征作为聚类的主要信息源，因而其主要优点是易于处理局部数据的特性。
5、网格算法
基于网格的方法（grid-basedmethods），这种方法首先将数据空间划分成为有限个单元（cell）的网格结构，所有的处理都是以单个的单元为对象的。这么处理的一个突出的优点就是处理速度很快，通常这是与目标数据库中记录的个数无关的，它只与把数据空间分为多少个单元有关。
a.STING：利用网格单元保存数据统计信息，从而实现多分辨率的聚类
b.WaveCluster：在聚类分析中引入了小波变换的原理，主要应用于信号处理领域。（备注：小波算法在信号处理，图形图像，加密解密等领域有重要应用。）
c.CLIQUE：是一种结合了网格和密度的聚类算法。
d.OPTIGRID
6、模型算法
基于模型的方法（model-basedmethods），基于模型的方法给每一个聚类假定一个模型，然后去寻找能够很好的满足这个模型的数据集。这样一个模型可能是数据点在空间中的密度分布函数或者其它。它的一个潜在的假定就是：目标数据集是由一系列的概率分布所决定的。
通常有两种尝试方向：统计的方案和神经网络的方案。
其中基于统计方案的聚类算法又有如下几种：
a.COBWeb:COBWeb是一个通用的概念聚类方法，它用分类树的形式表现层次聚类。
b.AutoClass：是以概率混合模型为基础，利用属性的概率分布来描述聚类，该方法能够处理混合型的数据，但要求各属性相互独立。
c.CLASSIT
而基于神经网络方案的聚类算法又有：自组织神经网络SOM（该方法的基本思想是--由外界输入不同的样本到人工的自组织映射网络中，一开始时，输入样本引起输出兴奋细胞的位置各不相同，但自组织后会形成一些细胞群，它们分别代表了输入样本，反映了输入样本的特征）。