随着人类社会以及计算机技术的迅猛发展,数据库规模呈现出爆炸式的增长形势。而不断完善发展的数据挖掘技术恰恰能帮助人们从大量的、有噪声的、模糊的数据中发现潜在的有用的信息和知识，而分类正是其中的较为重要的技术方法。因此，问题的关键就是要探索更为有效的数据分类方法。近年来，粒子群优化算法由于概念简单，需要调控的参数较少，易于编程实现等优点而成为学者们研究的焦点。因而，基于粒子群优化的分类算法也成为分类领域的热点。本文首先介绍了粒子群优化算法和分类的相关理论背景，在此基础上，对粒子群优化算法进行了改进，提出了基于粒子群优化的分类算法。具体研究工作如下：1.提出了一种基于二次插值的正交粒子群算法。算法中采用了三个算子:二次插值(QI),基于对立的学习算子(OBL)，精英学习算子(ELS)。QI算子通过新产生的一个新的最小值点，可以获得更优解的同时提高算法的收敛速度；引入QI后，为了避免算法收敛过快导致其更容易陷入局部最优,将反向学习算子(OBL)应用到种群中的最差粒子上以增加种群的多样性，提高算法的性能；精英学习算子(ELS)作为对全局最优解的一个扰动，可在种群限入局部最优时在邻域内找到一个更优的解。通过以上三个算子的相互协作，算法得到了较大的改进，实验也证明改进后的算法显示出了更大的优势。2.提出了一种混合分类算法。算法中，首先，针对具有某些潜在网络结构分布的数据提出了一种高级别分类机制，对如随机分布的数据中插入线性分布的数据等类型的数据分类时，这一分类方法体现出了较高的分类正确率。其次，为了保持算法对常用数据集的分类效率，算法中将基于原型的粒子群分类方法作为低级别分类机制。最后，将这两种机制融合到一起构成混合分类算法。实验证明，这一算法对于常用数据集中UCI数据集以及特殊模式结构的数据都有较好的分类结果，同时还将其用于对手写体数据的识别上也取得了较好的结果。3.提出了一种基于分类和聚类同步优化的混合分类算法。算法中，首先引入了聚类与分类同步优化学习机制，这一方法通过将聚类纯度和错分类率归于一个目标函数中实现聚类与分类的同步优化。目标函数主要依赖于聚类中心，因而利用PSO算法对其进行优化，得到最优的聚类中心，并通过聚类中心对测试数据进行分类。最后，同步优化算法与高级别分类器(HLC)融合构成混合分类器对数据集进行分类，并取得的较好的性能。