聚类是一种很热门的数据分析和数据挖掘技术。聚类是一个将数据集划分为若干个子集的过程，使得每个簇内部的样本之间的相似性比与其它簇中样本之间的相似性更强。针对在处理大规模数据过程中，现有大量聚类算法存在的反复迭代收敛慢和需预先对数据集有深入感知的问题，论文结合国家自然科学基金项目“知识超网络环境中快慢结合的知识可拓优化与共享理论研究”（项目编号：71071144）和浙江省自然科学基金重点项目“面向复杂产品设计的可拓自适应知识服务研究”（项目编号：Z6110334），将空间点聚类问题转化为网络划分问题，研究提出了一类基于无向有权网络的聚类算法（Clustering Algorithm based onUndirected Weighted Network, CA-UWN）。论文的主要研究工作有：（1）界定了聚类与复杂网络的相关概念，对主要聚类方法、基于复杂网络的聚类等论文紧密相关的领域进行了文献综述分析。（2）提出了一类基于无向有权网络的聚类算法，该算法将空间点聚类问题转化为网络划分问题。阐述了该算法的核心思想与思路，其主要过程包括网络构建和网络划分两个步骤。网络构建是在计算空间点对象的相似度基础之上，根据对象间的相似度构建无向有权网络；网络划分是根据无向有权网络中节点强度和边的权重自适应地对网络进行划分，提出了基于邻接节点划分和扩张划分两种具体的划分方法，讨论了算法中参数的含义与取法。（3）对提出的基于无向有权网络的聚类算法进行了检验评估。利用UCI数据库中的Iris和Glass数据集，采用Rand指数和Jaccard系数，验证了算法中参数的合适取法，并对算法的有效性进行了评估，评估结果表明算法在了解数据集相似度分布的基础上，通过有限的迭代次数下，能取得良好的聚类效果。