膜计算是一种分布式、并行计算模型，又被称为P系统。膜计算旨在从生命细胞的结构和功能以及组织、器官和高级生物组织中细胞群的协作中抽象出计算模型，具有分布式、极大并行性、非确定性等特点。膜计算已广泛地应用于众多领域。聚类分析是一种无监督学习过程。数据聚类是将一组数据划分到不同的组或簇中，使得同一组中的模式尽可能地相似而不同组中的尽可能地相异。与分类不同，用于聚类的数据没有事先定义好的类标签。通过聚类希望寻找到数据集中数据的自然结构。本文以膜计算模型为基础的计算框架，分别将遗传机制和模拟退火机制引入P系统中作为对象的进化规则，并结合P系统的对象转运机制，提出了两种在膜计算框架下的聚类算法：（1）GA-MC算法。通过引入遗传机制的三个遗传算子（选择、交叉、变异）实现对象的进化，并利用组织型P系统的转运机制实现在膜之间优秀对象的共享，它加速算法的收敛。GA-MC算法在几个真实数据集和人工数据集上进行了测试，并与k-means算法和基于GA的k-means算法进行了比较。（2）SA-MC算法。这是融合了P系统和模拟退火机制的一种聚类算法，其中模拟退火机制被作为对象的进化规则并且P系统的转运规则实现了精英对象的共享以促进对象的进化。该方法同样在几个真实数据和人工数据集上进行了测试，并和k-means算法及基于GA的k-means算法进行了比较。