聚类分析是数据挖掘中一个重要的研究分支,已在多个领域得到了很好的应用,诸如数据分析,模式识别和图像处理等。固有的并行性、健壮性和自组织性使得作为新兴的智能仿生算法的蚁群算法在聚类应用中表现出很好的前景。本文深入的研究了蚁群聚类算法,然后提出了相应的改进,最后通过仿真实验验证了其有效性。　　本文主要包含以下几个方面的内容:　　1.聚类分析理论。主要介绍了聚类分析的定义、数据对象间的相似度度量方法、聚类挖掘的常见方法及聚类结果的评估标准。　　2.蚁群算法及蚁群聚类算法概述。蚁群算法概述中介绍了蚁群算法的原理、数学模型以及发展历程,着重介绍了三个典型的蚁群算法,分别是蚂蚁系统、蚁群系统和最大最小蚂蚁系统。蚁群聚类算法概述中介绍了蚁群聚类算法的基本模型和基于原理划分的四种蚁群聚类算法,分别是基于蚂蚁觅食原理的聚类算法,基于蚁堆形成原理的聚类算法,基于蚂蚁自我聚集行为的聚类算法,基于化学识别系统的聚类算法。　　3.提出了一种改进的遗传算法与蚁群算法相融合的聚类算法。利用遗传算法的速全局搜索能力形成数据对象的初始聚类,后期再利用蚁群算法正反馈机制进一步完善聚类结构。在遗传算法中提出了改进的最优解保存策略和自适应交叉、变异概率两项优化。蚁群算法中提出了短期记忆和改进的拾起策略的优化措施。最后通过仿真实验验证改进算法的有效性。