数据挖掘是近年来发展起来的新技术，通过数据挖掘，人们可以将知识发现的研究成果应用于实际数据处理中，为科学决策提供支持。聚类分析是数据挖掘的主要方法之一。本文对聚类方法进行了研究，主要做了以下工作： 1．在对常用聚类算法分析的基础上，对K-均值算法进行改进。由于K-均值算法对初始值十分敏感，不同的初始化有可能导致完全不同的聚类结果。本文通过对初始聚类中心选取方法的改进，使得初始聚类中心的选取更符合数据分布的情况，有效的改善了聚类结果，而且剔除了孤立点对初始聚类中心的影响，并进行了实验仿真。实验结果表明：改进的K-均值算法比原始K．均值算法在聚类精度上有了明显的提高。 2．粒子群优化算法(简称PSO)是一种新兴的仿生学算法，因为和遗传算法有相似的全局收敛性但有更快得多的收敛速度而备受关注。本文利用PSO算法全局搜索能力较强的特点，提出了一种新的基于粒子群聚类算法，克服了传统的K-均值算法易陷入局部最优解的问题，并对粒子群聚类算法中的参数进行分析，改进了适应度函数，改进后的算法处理聚类问题相当有效，聚类质量也达到了令人满意的效果。