蚁群聚类算法通过模拟蚁群的群体智能行为构建聚类模型,是一种基于模型的聚类分析算法,也是近年来聚类分析领域研究的热点和前沿课题。研究发现,基于蚁群算法构建聚类分析模型在解决某些问题上往往比传统的聚类算法更接近于实际的聚类问题。本文在研究多种蚁群聚类分析模型的基础上,着重研究了基于蚁群分类幼蚁的LF算法模型和基于蚁群自我聚集行为的AntTree算法模型。在深入分析LF算法的基础上,本文提出了IDLF算法。IDLF算法的改进主要包括以下五个方面：增强蚂蚁移动的目的性；动态调整蚂蚁的可视范围；动态调整群体相似度的调节系数；优化算法的结束条件,使算法能够根据实际聚类情况自动结束；增加了对蚂蚁长期空载或者负载情况的解决方案。AntTree算法模型是一种新型的蚁群聚类模型,本文对AntTree算法模型做了相关的研究工作并提出了优化和完善方案,主要包括：优化了算法的初始化方案；优化了算法的阈值更新方案；完善了蚂蚁的移动规则。本文采用3个标准UCI数据集作为测试数据集,分别对IDLF算法模型和AntTree算法模型的优化方案做了实验分析。实验结果证明,IDLF算法和AntTree算法的优化方案有效提高了原算法的聚类性能。