聚类分析是数据挖掘的一个重要研究领域。在所有的聚类方法中，模糊c-均值算法（FCM）是应用最为广泛的一种算法，它具有算法简单、局部搜索能力强收敛速度快的优点。但此方法也存在严重的不足：对初值敏感，易陷入局部极小值。　　 本文将遗传算法应用于聚类分析，利用遗传算法的全局性收敛特征来改善FCM算法的不足。我们首先介绍了聚类分析、遗传算法的一些基本知识以及实现他们的一些基本技术，然后讨论了应用于模糊聚类分析时遗传算法的设计。在遗传算法的设计中，根据问题的需求，我们提出了以聚类中心为个体的实数编码方式；同时，为了简化算法，在选择阶段采用了一种基于精英重组的选择机制，即在家庭的范围内保存最优的两个个体；最后，基于实数编码方式，设计了与其匹配的基于最短距离基因匹配的算术交叉算子和非均匀变异算子。应用遗传算法的基本原理证明了算法的收敛性，并借助于位串函数分析了其收敛性特征，将算法用于Iris数据集，数值实验表明算法很好的性能，能大大的提高FCM算法的聚类性能。