现实中的很多问题可以转化为数据挖掘中的数据分类问题，这使得数据分类技术的应用领域十分广泛，例如商业保险、网络测量、气象预报、生物信息等。然而，随着信息技术的不断发展，各领域所积累的数据正在逐渐的膨胀，所以，如何提高数据分类技术的运行效率，是有效解决海量数据分类问题的关键所在。蚁群分类算法Ant-Miner是一种可以和经典的分类算法相媲美的分类技术，它基于群智能中的蚁群算法。然而，Ant-Miner没有充分利用蚁群的思想，并且它的启发式策略包含有局部信息。与蚁群算法不同，Ant-Miner的启发式函数值随着算法的运行而不断发生变化，增加了算法的计算复杂度。本文针对上述问题，主要做了以下工作：(1)概述了数据分类问题的定义、原理和实现算法，介绍了蚁群算法的思想来源、工作方法以及核心步骤，描述了蚁群分类算法的基本原理和改进方法的研究进展。(2)为了提高Ant-Miner解决数据分类问题的效率，提出了一种改进的蚁群分类算法mAnt-Miner+。该算法借鉴了mAnt-Miner的多蚂蚁构建蚁群的思想，并使用了一种新的启发式策略。在UCI数据集上的实验结果表明，mAnt-Miner+在不影响预测精度和规则简单性的情况下，提高了运行效率，并克服了mAnt-Miner早熟的问题。(3)将本文提出的mAnt-Miner+算法在零售企业会员分类中进行了应用。在会员数据集上的实验结果表明，在运行效率方面，mAnt-Miner+要高于Ant-Miner和mAnt-Miner；在预测精度和规则简单性方面， mAnt-Miner+与Ant-Miner和mAnt-Miner是可比的；然而，mAnt-Miner+克服了mAnt-Miner存在的不稳定性问题。并通过对发现的规则进行分析，获得了部分对零售企业有价值的信息。