在数据挖掘和统计学中，层次聚类（英语：Hierarchical clustering）是一种旨在建立聚类的层次结构的聚类分析方法。层次聚类的策略通常有两种：
凝聚和分离的操作通常用贪心算法实现，结果通常用树状图展示。
标准的凝聚层次聚类（Hierarchical agglomerative clustering，HAC）算法的时间复杂度为和的合并后，形成的集群为：{}、{, }、{}、{} 、{}，对其进行进一步的合并需要度量集群{a}和{b, c}之间的距离（即两个集群间的距离）。通常将集群和之间的距离定义为：
和
之间的距离定义为：当若干对组合具有同样的距离且为最小时，可以随机选取一对形成集群（生成不同的树状图）；也可以同时形成不同的集群（生成唯一的树状图）。
聚类算法的停止准则可以取决于数量（当形成足够少的集群时停止）；也可以取决于距离（当两个集群之间的距离足够远，以至于不能形成新集群时停止）。
DIANA（DIvisive ANAlysis Clustering）是分裂层次聚类的基础算法。 首先，所有元素归属同一个集群，然后分裂集群，直到所有元素都独立成群。由于存在种方法进行分裂，因此需要启发式（Heuristics）算法实现。DIANA选择平均异同度（Average dissimilarity）最大的元素，然后将所有与新集群相似度高于其余集群的元素划分到该集群。
种方法进行分裂，因此需要启发式（Heuristics）算法实现。DIANA选择平均异同度（Average dissimilarity）最大的元素，然后将所有与新集群相似度高于其余集群的元素划分到该集群。