随着信息技术和数据库技术的迅速发展,人们日常生活中的数据呈爆炸式增长。数据挖掘作为一项从大量数据中提取有用信息的技术,为人们根据数据进行科学决策提供了重要帮助。聚类分析是数据挖掘的一种基本分析方法,它是一种无监督的分类方法。通过聚类,可以在无任何先验知识的情况下将大量数据分成不同的簇,使得簇内对象非常相似,簇间对象不相似,从而发现大量数据之间有趣的模式。在数据挖掘中,聚类分析是一种常用的分析方法,而K-means算法是目前最流行的基于划分的聚类算法。该算法的缺点是容易受初始聚类中心的影响而导致过早收敛于局部最优解。为了解决这一问题,本文利用遗传算法全局寻优的优点,提出了基于自适应遗传算法的K-means聚类算法和基于DNA遗传算法的K-means聚类算法,并用样本数据仿真验证了算法的有效性。本文的主要工作如下：1)结合遗传算法和K-means聚类算法两者的优点,设计了一种基于自适应遗传算法的K-means聚类算法。此改进算法首先利用遗传算法的全局寻优能力得出最优的初始中心,然后利用K-means聚类算法进行聚类,得出最佳聚类结果。2)针对K-means聚类算法对初始聚类中心敏感的问题,提出基于DNA遗传算法的K-means聚类算法。利用DNA编码设计了两种交叉算子很好地保证了种群在进化过程中的多样性,使得算法不易早熟收敛。提出了一种新的逐级进化策略,该策略明显增强了算法的全局搜索能力。最后利用Rosenbrock测试函数验证了算法的有效性,再利用样本数据验证了聚类结果的准确性。