随着计算机技术的飞速发展和人类的需求不断变化,产生了大量的数据,从海量数据中挖掘出对人类有用得知识一直是人类努力的方向。数据挖掘正是这种技术,它能够从浩瀚的数据海洋中挖掘或者提取到对人类有用的知识,能够有效促进经济社会的发展。其中聚类分析是数据挖掘中的一个重要分支,它在人类的生产生活中得到了广泛地应用。本文主要是针对聚类算法的改进,探讨了算法的不足以及改进后的优势,主要从以下几方面进行分析研究：首先,本文针对K-means算法对初始聚类中心敏感和易陷入局部最优的缺点,提出了一种改进的基于粒子群的聚类算法。该算法结合基于密度和最大最小距离法来确定初始聚类中心,能够实现自动确定初始聚类中心,解决K-means算法对初始值敏感的问题。利用粒子群算法全局寻优能力强的优点,来增强K-means算法全局搜索能力,避免K-means陷入局部最优。通过对样本集各维属性的规范化处理,惯性权值采用凹函数递减,计算相异度矩阵,引入用群体适应度方差,进一步优化混合算法。实验结果表明,本文算法具有更高的准确率和更强的收敛能力。其次,针对K-medois算法的全局搜索能力弱和迭代计算过程计算量大的不足,提出了一种改进的基于粒子群的粗糙K-medoids算法。该算法通过粒子群算法来改善K-medoids全局搜索能力,通过计算样本集的相异度矩阵来简化粒子群编码,引入粗糙集理论处理边界模糊数据,并利用记忆技术对K-medoids的迭代过程进行优化,降低算法的复杂度。通过对UCI中的Iris、Mushroom数据集测试,本文算法的准确率提高,运行时间减少。