聚类分析是数据挖掘的基本任务之一，其目的是形成类内较高相似性，类间较低相似性，从而发现潜在的、有用的信息。蚁群聚类算法是群智能算法中重要的仿生算法，因其具有良好的适应性而备受关注。本文首先对聚类分析、蚁群算法及Petri网等理论进行了介绍，并讨论了不同的蚁群算法模型。针对人工蚂蚁休眠模型ASM（Ants Sleeping Model）算法的不足对其进行改进，如在考虑总体蚂蚁适应度和聚类质量的基础上优化算法的结束条件，动态调整适应度函数和激活概率函数以及优化蚂蚁的移动策略。其次，介绍了细胞簇的产生合并过程及细胞簇与细胞簇之间距离的度量方式，并讨论了细胞簇合并阈值与不同的距离度量方式对带细胞簇的蚁群合并算法的影响。同时，针对带细胞簇的蚁群合并算法的不足，引入Renyi熵距离的概念来判断细胞簇之间的关系，并给出了改进的算法，实验验证了该算法有效地提高了聚类的效果。最后把改进算法应用到雷达辐射源的检测中。最后，介绍了Petri网的基本理论和基本规则，实现了基于Stateflow环境Petri网的可视化仿真，根据Petri网的模型图构造了状态图，并对相关参数进行设置，通过实验给出了仿真结果。根据基于模糊Petri网的平台识别方法和矩阵推理算法，给出了矩阵推理的主要步骤和规则，把雷达辐射源作为模糊Petri网的矩阵推理的输入，实现完整的平台识别过程。