M.Dorigo在1991年提出的蚁群算法是一种基于仿生学原理的组合优化算法,它具有其他智能优化算法及群体智能算法的优点,并成功应用于旅行商问题、二次分配问题、车辆调度问题、电路设计以及网络路由设计等问题。近年蚁群算法被用于数据挖掘中,给数据挖掘的聚类分析和分类算法提供了更广阔的思路。本文详细的叙述了蚁群算法的基本思想、原理和理论,在详细分析其优缺点,提出若干改进方法；将蚁群算法应用到数据挖掘的聚类分析,对几种蚁群聚类方法,进行了比较深入的研究和分析,得出改进后的蚁群聚类算法,本文的主要工作如下：(1)蚁群算法的研究。本文简单介绍了蚁群算法的发展现状,并详细阐述了算法的基本思想、原理、数学模型及实现过程,在分析、比较了几种常见蚁群算法的前提条件下,针对这些算法容易陷入局部最优的缺点,给出了基于扰动因子的最大-最小蚁群的改进算法。在最大-最小蚁群算法中,引入了扰动因子,有效地避免算法陷入局部最优。(2)聚类分析的研究。本文简单介绍了几种聚类分析算法的基本思想、原理、数学模型及实现过程,针对传统聚类算法对实际问题的局限性的缺点,并将蚁群算法应用到聚类分析中,利用蚁群算法的特性对聚类问题进行建模,给出了基于混合距离的k-means算法。在基于信息素的k-means算法的基础上,增加了混合距离的概念,使得算法的使用范围更广。(3)组合蚁群聚类算法的研究。本文结合几种蚁群聚类算法的特点,给出了一种新的组合聚类算法：它在初始阶段使用基于混合距离的k-means算法,快速得到一个粗略的聚类集合；在算法的收尾阶段,采用基于信息熵的蚁群聚类算法对数据集进行二次聚类,从而得到最优解。同时,给出了该组合蚁群聚类算法的模型和步骤,并进行了仿真实验,能够得到最优解。