本文以数据挖掘算法中的C均值聚类算法为主要研究对象，在分析kmeans和FCM算法流程的基础上，将粒子群算法用于kmeans算法中，提出基于粒子群的K均值算法，用大量随机产生的数据和国际标准法分类数据中的IRIS数据来验证其有效性，并将这种算法与已有的基于遗传算法的K均值算法进行比较，实验证明本文的粒子群K均值聚类算法在收敛精度和稳定性比遗传K均值聚类算法要好。然后进一步把粒子群算法和模糊C均值算法结合起来，用二阶段法实现了更具有广泛意义的基于粒子群的模糊C均值算法，并与基于遗传算法的模糊C均值算法进行比较，实验证明本文提出的基本于粒子群的模糊C均值算法改善了FCM易于陷入局部最小值的问题，而且稳定性比基于遗传算法的模糊C聚类算法要好。 本文的研究结果一定程度上解决了C均值聚类算法易陷入局部最小值和对初始值敏感的问题，提高C均值算法的收敛精度，在数据聚类中有很好的应用效果。同时也是粒子群算法的一个新的尝试，该研究将对粒子群算法的进一步推广和应用有一定的参考价值，为进一步研究粒子群算法在文本聚类中的应用奠定了基础。