随着数据爆炸时代的到来,如何高效快捷地挖掘出冗余数据中有价值的信息变得越来越重要。聚类分析是一种无标签、无监督学习的数据挖掘技术,可以在低成本的情况下发现数据中有价值的信息。模糊C均值算法（FCM）就是聚类分析中的一种典型算法,它在K-means算法的基础上加入模糊集理论,被广泛应用到各个领域中。但是,模糊C均值算法对初始聚类中心较敏感且鲁棒性不强。针对这些问题,本文提出了一种改进的核模糊C均值算法（IBA-KFCM）。该算法是基于优化的蝙蝠算法（IBA）,利用改进后的蝙蝠算法（IBA）全局寻优的特性寻找出最优位置并作为KFCM算法的初始聚类中心,减少聚类结果对初始中心的影响;同时本文在KFCM算法的目标函数基础上加入样本权重,减少噪声点、孤立点对聚类效果的影响,提高KFCM算法的鲁棒性。接着,将FCM、KFCM以及本文提出的IBA-KFCM算法在UCI数据集上进行试验并对实验结果进行分析对比。最后将改进的IBA-KFCM算法应用到文本聚类里,通过对实验结果的对比分析验证了改进算法的可行性和有效性。本文主要研究与工作如下:（1）改进标准蝙蝠算法,加入速度权重与曲线递减的局部搜索策略,使标准蝙蝠算法克服容易陷入局部极值和后期收敛精度较低的问题。改进后的IBA算法比基础算法具有更好的全局寻优能力和更高的后期收敛精度。（2）将IBA算法得出的寻优结果作为KFCM算法的起始聚类中心点,有效改善了KFCM算法聚类结果对初始聚类中心选取的依赖性问题;同时在KFCM算法的目标函数上加入样本点权重系数,以减少算法对样本孤立点、噪声点的影响,提高算法的鲁棒性。（3）将IBA-KFCM算法应用到UCI数据集和文本聚类中,并对其实验结果进行分析对比,验证本文提出的改进算法可行性与有效性,提高了KFCM算法的聚类质量和算法性能。