数据挖掘是从大量数据中挖掘出未知的、有价值的模式或规律的复杂过程。聚类分析是数据挖掘中的一个重要研究领域,其目的是按照事物间的相似性对给定事物进行区别和分类,并采用数学方法对其属性进行研究和处理。聚类分析算法大致可划分为以下几类：层次聚类算法、分割聚类算法、基于现实约束的聚类算法、机器学习中的聚类算法以及用于高维数据的聚类算法。动态聚类算法是分割聚类算法中的一个重要分支,但现有的动态聚类算法在运算过程中容易陷入局部最小和对初始值敏感等不足,限制了它的发展。很多学者尝试采用全局寻优算法来改进聚类算法,如：遗传算法、免疫规划和模拟退火等算法,取得了一定的成效。微粒群算法是一种高效的群体智能算法,具有收敛速度快、容易实现等优点,因此,将微粒群算法应用到聚类算法中将能有效的改进现有聚类算法的不足。 本文分析了现有的聚类算法,这些算法的聚类数目需要提前确定。在此基础上,提出一种基于微粒群算法和K均值聚类算法的混合聚类算法,该算法定义了两种类间距离,构造出一种新的聚类有效性函数,利用该函数对最佳聚类数进行求解。仿真结果显示了该方法合理有效。 现有聚类算法的目标函数是样本到聚类中心欧式距离平方加权和的最小值,依据样本到聚类中心的距离将样本划分到离聚类中心最近的类中,这些聚类算法很难对复杂形状的数据进行聚类。因此,本文提出了基于生长树的聚类算法,其中定义了最邻近距离和生长树等概念,并将最邻近距离作为生长树的生长方向和样本划分依据,以生长树的大小作为聚类效果的判定函数。新算法利用网格和密度阈值来去除数据集中的孤立点,并从网格集中随机选取种子点,最终通过微粒群算法确定聚类结果。测试结果表明,基于网格生长树的微粒群聚类算法对于规模较大、形状复杂并且非重叠的数据是可行有效的。