随着网络技术和数据库技术的快速发展,计算机已经能够存储大规模的海量的数据,另一方面,传统的数据分析处理工具如管理信息系统对这些数据只能进行表层的处理,而更深层次的数据分析能力却不尽如人意,这样,数据供给能力和数据分析能力间的矛盾日益突出,因此迫切需要一种能够对数据进行深层次加工的自动化技术。由此,数据挖掘技术应运而生。聚类分析作为数据挖掘中的一个重要课题,它是将数据区分为自然的群体,并给出每个群体特征描述的一种数据挖掘方法,是数据挖掘和知识发现的一种基本方法。聚类分析是在无先验知识无指导下进行数据无监督分类的一种数据挖掘技术。通过先进算法的恰当采用,发掘潜藏的有价值的信息,提高数据分析和解释的质量,也为后续其它数据分析和整理工具对数据的再处理或理解提供科学的判断依据。因此,研究如何提高聚类分析算法的性能具有重要意义。聚类分析的算法很多,比较著名的有模糊K-均值算法、K-中心点算法、C均值算法、FCM算法等。蚁群算法是最近几年才提出的一种新的生态类优化算法,其主要特点是正反馈、分布式计算。初步的研究表明,它是一种基于种群的鲁棒性较强的算法,具有许多优良的性质,为求解复杂的组合优化问题提供了一种新思路。本文根据蚁群算法的最新研究,对蚁群算法进行了改进,引入随机扰动和蚂蚁的感觉知觉特征,并与K-均值算法相结合,提出了一种新的聚类算法:改进蚁群算法,并建立了改进蚁群算法的聚类分析模型。通过仿真实验表明,当模式样本和分类数很大时,改进蚁群算法的聚类分析在解决多聚类问题比传统聚类算法更有效。在将理论技术应用到实践方面,本文在分析了中国企业现有的绩效评估体系