聚类分析作为信息处理技术领域中的重要组成部分,已经广泛应用于模式识别、图像处理、数据分析等许多领域。K均值聚类算法是聚类分析中常用的一种聚类算法,该算法原理简单、容易实现,但易于陷入局部最优点且对初始中心比铰敏感。为克服该缺点,本文对粒子群作了改进,并提出了两种改进的聚类算法：(1)为解决传统K均值算法对初始化敏感的问题,本文提出了基于波动控制的改进粒子群和K均值的混合聚类算法。该算法首先采用K均值将粒子群进行分类,形成多个聚类域；然后选择最优的聚类域用于生成疫苗,并在粒子更新过程中采用疫苗接种机制和免疫选择机提高粒子的多样性。当粒子群的波动幅度小于设置的阀值时,采用K均值聚类算法提高算法的收敛精度。仿真实验表明,和其他算法相比,该算法的正确率更高。(2)为解决K均值算法极易陷入局部最优的缺陷,本文提出了基于扰动策略的免疫粒子群聚类算法。当个体极值和全局极值连续停滞代数超过所设置的阀值时,算法通过引入扰动算子改变粒子群的运动方向,提高粒子的遍历性,从而提高了算法的收敛效果。仿真实验表明,与其他较新的算法相比,该算法具有较高的正确率和较好的稳定性。