随着科技的进步，特别是信息产业的发展，使人类社会步入了一个崭新的信息时代。面对日益海量的信息，如何在信息库中提取对自己有用的信息，并对提取的信息进行必要的整理、归类和相应的分析，已经成为人们当前最为关心和研究的问题之一。聚类分析是重要的数据分组方法，聚类分析的结果具有重要的现实指导意义，所以被广泛的应用于：心理学和其他社会科学、生物学、统计学、模式识别、信息检索、机器学习等。经典的聚类分析算法包括划分聚类算法、层次聚类算法、基于密度的聚类算法、基于网格的聚类算法和基于模型的聚类算法等。本文主要介绍了两类使用最为广泛的聚类算法：划分聚类算法和层次聚类算法。其中划分的聚类算法重点介绍了K-Means聚类算法和K-Modes聚类算法；基于层次聚类算法重点介绍了Ward聚类算法。但这几类算法都存在有对初始聚类中心的选择敏感或者容易陷入局部最优解等缺点。使用优化算法对聚类算法进行优化，是解决聚类算法自身缺点的有效方法。现在主流的优化算法包括：差分进化计算、遗传算法、蚁群算法，模拟退火算法、微粒群算法、人工鱼群算法等。这些算法各有特点，广泛的用于解决各类优化问题。本文主要介绍和使用了优化算法中的差分进化计算，它的特点是简单易用、快速、健壮，并且适合求解数值型优化问题，所以是一种非常具有研究价值的优化算法。本文主要使用差分进化计算，对K-Means聚类算法和K-Modes聚类算法以及Ward聚类算法进行优化。使用差分进化计算较好的解决了聚类中心的优化问题，使以上三类聚类算法都取得了更好的聚类效果。在使用差分进化计算优化K-Modes聚类算法时，不仅提出了基于差分进化计算的K-Modes聚类算法，而且在此基础上对算法进行了改进，实验证明改进后的算法保留了更好的聚类子代，最终的聚类效果也更好。在使用差分进化计算优化K-Means聚类算法时，分别与基于遗传算法和进化规划算法的K-Means聚类算法进行对比。对比实验结果证明，差分进化计算比上述两种优化算法优化效果更好。在使用差分进化计算优化Ward聚类算法时，同样与基于遗传算法的Ward聚类算法进行对比。对比实验结果证明，差分进化计算同样取得了更好的优化效果。