数据聚类分析是模式识别和知识发现中一个极为重要的技术。实际数据除了巨大的规模和不断加快的采集速度等特点外，它还不可避免地会受到各种噪声污染，但传统的聚类算法通常对噪声极为敏感，近年来设计的许多稳健聚类算法也因其精度较低或运算量太大使得应用范围受到限制，而直接利用视觉直读的方式剔除噪声又因数据的巨大规模和高维性而更受限制，因此许多应用领域迫切需要设计快速、稳健的聚类方法。根据生物信息处理具有极强的抗噪声能力这一事实，本项目试图将大脑神经元的非线性编码机制及神经元响应的动力学机制用于稳健聚类算法的设计。所获结果作为一种快速有效的稳健数据挖掘方法，有望广泛用于处理自然科学和国民经济各领域的实际数据。