在数据聚类过程中,数据采集设备故障、数据存储不完善等诸多因素都会造成数据不完整,即数据缺少若干个属性。如果直接忽略缺失数据就会无法充分利用其有效信息,导致无法挖掘出缺失数据中潜在的重要信息,最终影响聚类精度,因此研究不完整数据聚类有着重要的意义和价值。本文针对不完整数据无法直接用于模糊聚类且初始聚类中心随机选取的问题,提出一种改进生成对抗网络（GAN）填补不完整数据并使用改进烟花算法优化模糊C均值（FCM）初始聚类中心的不完整数据模糊聚类算法。首先,针对不完整数据集不能直接进行FCM聚类的问题,本文提出一种改进生成对抗网络（IGAN）的不完整数据填补算法（IGAN-FCM）。第一,为使模型得到更多缺失数据的潜在信息,提高模型填补精度,从而实现对不完整数据缺失值的预测填充。将缺失样本的最近邻样本属性均值加入到GAN模型的生成器中。第二,为增大真实数据与生成数据间的相似性度量,迫使生成器生成尽可能真实数据,重构GAN模型生成器的损失函数。为提高模型训练速度,提出在GAN模型生成器的损失函数中加入自适应加权策略,从而得到IGAN模型。利用不完整数据集中的完整属性训练改进的GAN模型,使模型生成尽可能真实的数据填补缺失属性。其次,对经过IGAN模型填补得到的完整数据集进行聚类分析。由于FCM聚类算法对初始聚类中心敏感,不合适的初始聚类中心极易使FCM陷入局部最优。为此提出一种改进烟花算法优化FCM初始聚类中心的模糊聚类算法（IFWA-FCM）。由于烟花算法能够在局部和全局搜索之间达到较好的平衡,所以采用烟花算法优化FCM算法的初始聚类中心。尽管烟花算法具有较强的局部和全局搜索能力,但固定爆炸半径系数和单一的烟花变异方式,也可能使其陷入局部最优。因此在算法爆炸阶段提出动态爆炸半径系数,在变异阶段引入柯西变异,并使用改进的烟花算法优化FCM完成模糊聚类分析。最后,本文使用UCI数据集中的Blood、Breast和Bupa数据集以及KDD公开的空气质量数据集和MIMIC衍生数据集进行对比实验。实验结果表明,在不同缺失率下所提出的IGAN-FCM与四种经典不完整数据聚类算法相比聚类精度有所提高。且提出的IFWA-FCM与提出的IGAN-FCM在不同数据集下进行对比聚类精度更高,泛化性能更好。