聚类分析是数据挖掘的重要研究领域之一，在工程、商业、生命科学、社会科学以及其他许多领域得到了广泛的应用。但由于聚类对象在高维特征空间分布的复杂性，聚类效果评价的不确定性和灵活性，以及聚类作为一个优化问题求解的高计算复杂性，使得聚类算法仍然面临着众多的问题和挑战。 本文针对聚类中自适应确定聚类个数、目标函数灵活定义及聚类优化的近似计算等问题，利用了分裂式层次化聚类算法能根据相似度阈值自适应地确定聚类个数的特点，并结合二进制遗传聚类算法具有较强的搜索近似最优解能力以及目标函数定义灵活的特点，提出了一种基于遗传算法的分裂式层次化聚类方法(GABasedDivisiveHierarchicalClusteringAlgorithm-GADHC)。在实验研究中，一方面针对不带类别标签的交通状态数据采用GADHC算法进行聚类，发现了若干类典型的交通状态模式，验证了GADHC算法的有效性；另一方面，针对几个标准的带类别标签数据集，采用GADHC算法、GAClust及K-Modes的算法进行聚类，通过聚类结果错误率的比较分析，验证了GADHC算法具有较好的聚类性能。