目前,蚁群算法和数据挖掘技术研究已成为国际智能计算领域的研究热点和前沿性课题。本文的主要研究目是:进行蚁群算法、数据挖掘技术、聚类分析技术研究;进行蚁群算法在聚类分析方法中的应用研究;提出改进的更加优化的蚁群聚类分析方法,并给出了算法性能优越性分析。　　本文综述了国内外蚁群算法和数据挖掘技术的研究现状和未来的发展趋势。分别对数据挖掘技术、聚类分析技术、蚁群算法进行了深入的研究。在两种经典蚁群聚类算法的基础上,分析了两种改进的蚁群聚类算法(IK-means算法和IPLF算法)。同时融合IK-means算法和IPLF算法,得到一种蚁群聚类组合算法。并分析了以上三种提到的蚁群聚类算法在试验验证中的效果和性能。　　本文目的在于研究仿生优化算法在聚类分析方法中的应用:(1)改进仿生优化中的蚁群算法;(2)深入研究数据挖掘技术;(3)详细分析数据挖掘技术中的聚类分析技术;(4)将蚁群算法应用到数据挖掘中的聚类分析方法的研究,提出更加优化的聚类分析算法,并通过实验证明算法的可行性和优越性。　　基于蚁群算法的聚类组合方法研究,对该改进算法有如下三个步骤的研究:(1)带有信息素的k_means算法:介绍了基本k_means算法,然后引入带有　　信息素的k_means算法的介绍,并分析该算法的优缺点,给出改进的带有信息素的k_means算法,并进行了实验测试和性能分析。　　(2)带有信息素和信息熵的LF算法:引入信息熵,介绍了经典的LF算法和带有信息熵的LF算法,在此基础上提出改进的基于信息素和信息熵的LF算法。　　(3)蚁群聚类组合算法:在以上两种改进的蚁群聚类算法的基础上,提出将以上两种改进的聚类分析算法融和,带有二次聚类的蚁群聚类组合算法。　　本文对改进后的算法分别选择人工随机选择的测试数据和标准数据库上的数据进行测试。通过大量测试实验表明:对于不同类型的数据如能设置合适的参数,算法将会得到更好的实验结果,算法的性能在一定程度上将得到改善。