聚類與分類是人工智能領域中的兩個經典問題。簡單地說，分類算法是通過訓練集進行學習，從而具備把未知數據劃分到已知類別中的能力，這種通過訓練數據進行學習的方法被稱為監督學習（supervised learning）。作為一種監督學習方法，分類算法要求必須事先明確類別信息，並且所有待分類的數據都有一個已知類別與之對應。
聚類算法不需要通過具有類別標記的訓練數據進行學習，是一種無監督學習（unsupervised learning）的方法，它借助算法把數據對象劃分成幾個不同的子集，每個子集稱為一個簇（cluster）。劃分的原則是使得同一簇中的對象彼此相似，而與其他簇中對象的差異盡量大。
雖然分類與聚類最終都是把待處理的對象分成幾類，但是它們適用的問題、處理的方法以及對處理結果的解讀都是不同的。首先分類問題的類別是事先確定的，而聚類事先並不知道處理對象的類別，而是根據它們內在的特性進行劃分。例如，關注的對象是某個人群，一個典型的分類算法是根據人群的身高、體重等生物測量數據把他們劃分成青少年、中年、老年三個類別。而聚類是根據這些生物測量數據按照某種相似度把人群分成幾類。最終也許劃分成了青少年、中年、老年三個類別，也有可能根據性別劃分成男性、女性兩個類別，還有可能根據其他標準劃分成另外的幾個類別。這在聚類完成前是未知的，並且需要對聚類結果進行解讀。所以分類算法適用於類別或分類體係已經確定的問題，而聚類算法適用於不存在特定的分類體係的問題，聚類是一種探索式的學習方法。
聚類方法在很多領域都有應用，如商務智能、圖像識別、網頁搜索、生物學等。可供選擇的聚類方法有很多種，應根據具體任務和算法的特點進行選擇，並沒有哪一種方法是適用於所有問題的。因為方法眾多、特點不同，很難對聚類方法給出非常明確的分類，所以下麵對常見的聚類方法給出一個不是非常嚴格的劃分。