（一）选择运筹分类单位OTUs

OTUs（operational taxonomicunit）即数据源样本。通常选择比研究对象低一级的分类阶元的分类群作为OTUs。如研究对象是种，则OTUs是居群；研究对象是属，OTUs是物种；研究对象是科，OTUs是属等。但属或者属以上的分类阶元不宜作为OTUs，在分析一个科，比较科内的几个属时，应取各个属的代表种，以获取信息。

（二）性状的选择与编码

所谓性状，就是一个分类单位区分于其他分类单位的性质、特征或属性。如形态（解剖）特征、花冠类型、雄蕊数目、叶的形状等，以及细胞、生理生化等各方面的性状。为了获得稳定和可靠的分类，选择性状的数量一般应不少于60个，最好多于100个。

性状选出后，为了进行计算机运算，必须对其进行适当地编码。不同的性状有不同的编码方法，如形态中的长度、面积等数值性状，可直接应用，不需编码；对于表现为对立状态的性状（二歧形状），如植物的习性为木本或草本、花冠离瓣与合瓣等，可用“＋”“－”或“0”“1”表示；若表现为3个以上的有序多态性状，如无毛、具毛、具密毛等，可用连续排列的非负整数0、1、2、3、…N表示；而表现为3个以上没有次序的无序多态性状，如花冠颜色为白色、红色、蓝色、粉色等，一般可将其分解为互相独立的二元性状，如花冠白色对应于非白色，蓝色对应于非蓝色等。这样的分类方法难免会造成对这些性状的加权，但在具有大量数据的情况下，这样的偏差会被中和。

（三）相似性的测定

相似性的测定是以各OTU间的相似性系数S来表示的，求S的方法是把每一个OTU的各项特征与另一个OTU的各项特征逐个进行比较。S通常以百分比表示，100％表示两个OTU间完全相似，0则表示没有相似性。相似性系数算出后通常排列成矩阵。

（四）聚类分析

聚类分析是将OTUs以相似性逐渐浓缩，重排上述相似性矩阵，从而使矩阵中相似性系数S很接近的OTUs被集中在一起形成簇，这些簇称为表征群（phenon），把这些簇进一步分阶层地排成树状图则为表征树谱图，然后再根据相似值规定分类等级。

近年来，随着计算机技术的进一步发展，有关聚类分析的软件更加易于操作而行之有效。这些软件基于分析方法可分为2类，凝聚法和拆分法。凝聚法是从某个OTUs开始，使它们逐步合并直到最终形成一个聚群。而拆分法相对于凝聚法，它最初将所有OTUs放在一个群中，然后逐步将其拆分成亚群，直到不能再进一步拆分为止。