直觉模糊K-modes（IFKM）算法在聚类过程中采用简单0-1匹配相似性度量，既无法有效刻画类内数据对象之间的相似性，也未体现不同属性在聚类过程中的贡献程度；此外，IFKM算法在聚类的每一次迭代中直接根据直觉模糊隶属度矩阵来确定数据对象所属类别，没有充分发挥直觉模糊思想的作用。为了解决这两个问题，提出一种迭代IFKM （IIFKM）算法。首先，基于直觉模糊熵（IFE）与直觉模糊集（IFS）定义了一种加权的直觉模糊隶属度相似性度量；其次，将直觉模糊隶属度矩阵作为迭代信息贯穿于整个聚类过程，使算法中的直觉模糊思想得到充分体现。在UCI数据库的5个数据集上进行的实验结果表明，与IFKM算法相比，IIFKM算法在分类正确率和召回率方面提升了7%~11%，在分类精度方面也有一定提升。
