随着信息时代的高速发展,信息分类已经成为各行各业快速有效地获取有用信息不可缺少的步骤。模糊聚类分析作为研究分类问题的重要手段,应用于模块划分中,具有重要的理论意义和实用价值。模糊聚类算法具有对初始值敏感的不足,因此常与智能优化算法进行结合来使用。但是优化算法存在易陷于局部收敛的问题,因此本文主要做了以下三方面的工作。第一,对粒子群优化算法进行了改进。论文针对粒子群算法的局限之处,研究分析相关文献,改变惯性权值的调整方式,并将加权中心机制以及Metropolis接受准则的思想引入到算法中,以改进粒子群算法,并通过实验验证了算法改进工作取得了一定的成效,改进的算法具有更优越的寻优性能。第二,研究了常用的几种模块划分方法,包括模糊C均值聚类算法、模拟退火算法以及基于遗传算法的模糊C均值算法,对各自的优缺点进行了分析总结,并提出了基于改进粒子群算法和核模糊C均值聚类算法的模块划分方法。第三,提出了一种基于改进的粒子群算法的核模糊C均值聚类的模块划分的方法。FCM与智能优化算法的结合是最常应用于模块划分的方法。相比于蚁群算法和遗传算法,粒子群算法需调整的参数比较少,且收敛速度及最优解求解速度也优于它们。而模块划分所需要处理的数据复杂度不高,量子粒子群算法的高效处理复杂数据的优势并不能得到施展。所以对粒子群算法与模糊C均值聚类算法结合应用的研究更具有意义。论文中将改进的粒子群算法与核模糊C均值聚类算法结合应用于解决模块划分问题,并通过实验验证了基于改进的粒子群算法的核模糊C均值聚类的模块划分方法的在聚类性能上的优越性。还将该方法应用于具体模块数据的划分,验证了其具有一定的应用价值。