数据挖掘是目前人工智能和数据库领域的热点问题，是指从大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的过程。聚类分析是数据挖掘领域中的重要技术之一，是数据分析的重要手段。聚类算法也是数据挖掘、模式识别以及机器学习等方向的研究内容之一。聚类分析不仅具有重要的理论意义，也具有重要的工程应用价值。本文首先阐述了聚类分析的概念和理论基础，指出了一些传统聚类算法思想简单、易于实现、内存消耗小等优点，但是目前常用的聚类算法仍存在对初始划分敏感、收敛速度慢以及容易陷入局部最优等问题。为了解决上述问题，本文主要做了如下工作:　　 本文详细分析了粒子群算法和WS小世界网络模型，WS小世界模型的断边重连特性能够使得网络信息交流面更广、交流速度更快，基于这个思想，可以将断边重连引入到粒子群算法的邻域更新中来，提出改进的粒子群算法—WSPSO算法。当粒子群算法迭代进化到某些特定代数时，用断边重连的方式更新种群中粒子的邻域结构，从而使得算法能够保持种群的多样性，并且加快了粒子信息共享的速度。通过将新算法与其它算法在五个不同的复杂优化函数上对比实验，证明了本文提出算法的高效性。　　 传统的聚类算法具有收敛速度慢和容易陷入局部最优的问题，在对传统聚类算法和智能算法的分析和研究后，本文将聚类算法转化为函数优化问题，从而将本文提出的WSPSO算法应用到聚类问题的求解中来。通过对本文聚类算法的仿真验证，说明本文成功的将智能算法(WSPSO)应用到了解决数据聚类问题中。