粒子群优化算法(ParticleSwarmoptimization)是由Kennedy和Eberhart在1995年提出的一种基于群智能(SwarmIntelligence)的演化计算技术，是在鸟群、鱼群和人类社会行为规律的启发下提出的.本文综述了粒子群算法的基本思想和提出背景——群智能计算，详细介绍了基本粒子群算法及其各种改进算法.本文还着重介绍了粒子群算法在数据挖掘领域的应用，特别是在分类规则挖掘和聚类两方面的应用.本文的主要研究重点包括两个方面：(1)利用粒子群算法思想提出了中值粒子群算法和基于PSO混合演化算法；(2)本文将粒子群算法应用于数据挖掘领域，并提出一种基于粒子群算法的分类器设计方案. 中值粒子群算法是一种基于信息量角度改进的基本粒子群优化算法.基本粒子群算法易陷入局部最优，新算法使粒子可以利用更多其它粒子的有用信息，即通过个体平均极值位置来平衡算法搜索效率和精度之间的矛盾，并改变了粒子的行为方式.实验结果表明，中值基本粒子群算法在收敛精度和收敛的稳定性等方面均优于基本粒子群算法； 基于粒子群思想的演化计算是将粒子群的思想与演化计算的灵活的编码方式相结合而提出的一种优化算法.使得粒子群算法可以高效解决组合优化问题，本文用优化实例将本文提出的算法与遗传算法相比较，实验结果表明，本算法在收敛速度和精确程度上都优于传统的遗传算法，同时也扩展粒子群算法的应用范围. 数据分类是数据挖掘的一项基本技术，研究各种高效、实用的数据分类算法是数据挖掘面临的主要问题之一.本文将粒子群算法应用于数据分类，给出了适用于粒子群算法的分类规则编码，构造了新的分类规则适应度函数来更准确的提取规则集，并通过修改粒子位置更新方程使粒子群算法适于解决分类规则挖掘问题，进而实现了基于粒子群算法的分类器设计.进一步用UCI基准数据集对作者提出的粒子群分类器进行了测试，并将基于粒子群算法分类器与遗传算法分类器进行对比，实验结果表明，本文提出的粒子群分类器是一种有效、可行的分类器设计方案.