传统的快速聚类算法大多基于模糊C均值算法（FuzzyC-means，FCM），而FCM对初始聚类中心敏感，对噪音数据敏感并且容易收敛到局部极小值，因而聚类准确率不高。可能性C-均值聚类较好地解决了FCM对噪声敏感的问题，但容易产生一致性聚类。将FCM和可能性C-均值聚类结合的聚类算法较好地解决了一致性聚类问题。为进一步提高算法收敛速度和鲁棒性，提出一种基于核的快速可能性聚类算法。该方法引入核聚类的思想，同时使用样本方差对目标函数中参数η进行优化。标准数据集和人造数据集的实验结果表明这种基于核的快速可能性聚类算法提高了算法的聚类准确率，加快了收敛速度。