作为数据挖掘中的一个重要工具,聚类分析是一种探索性的方法,其主要目标是在未标记数据的前提下基于数据样本之间的相似性将数据聚合成不同的簇。目前已有很多聚类算法,并在生物信息学和文本挖掘等领域获得了丰硕的成果。聚类算法可分为硬聚类和模糊聚类,鉴于模糊聚类算法更能准确地描述现实世界,因此成为聚类分析中一个非常活跃的研究课题。模糊C-均值聚类算法(FCM算法)则是模糊聚类中一种应用广泛的方法。但是,该算法存在对初始中心点敏感以及聚类质量偏低等缺陷。随着各种智能优化算法不断地提出和研究,近年来许多学者将它们用来优化聚类算法,并取得了较好的效果。蝙蝠算法(BA算法)是其中的一种随机全局优化模型,能够利用群体优势,融合全局搜索和局部搜索,实现快速收敛,因此在许多优化问题中有着广泛的实际应用。但是,该算法存在易陷入局部最优、求解精度不理想等缺陷。本文对现有的模糊聚类算法进行了分析,针对FCM聚类算法的不足,结合BA算法与样本和属性加权技术对FCM聚类算法进行优化处理。首先,针对传统BA算法的缺陷,从两个方面对BA算法进行了改进:一方面,利用Logistic混沌映射改变算法随机初始化种群的方式,增加了初始种群分布的多样性;另一方面,将速度权重加入蝙蝠速度更新公式中,保持全局和局部搜索之间的平衡。通过仿真实验,表明了改进的BA算法一定程度上提高了寻优性能。然后,针对FCM算法聚类过程中平等对待属性和样本,忽视了属性和样本之间的重要性不同,导致聚类质量低的问题。通过对属性和样本进行加权将FCM算法的目标函数重新设计,使得数据对象在聚类过程中能够进行更科学的划分。接着,提出了基于改进蝙蝠算法优化的FCM聚类算法。该算法利用改进的BA算法优化初始聚类中心,并采用新的目标函数指导聚类过程,从而改善FCM算法的聚类质量。通过仿真实验,表明了与传统FCM聚类算法对比分析,改进算法一定程度上提高了聚类准确率。最后,对医学数据集中乳腺癌数据集进行了分类识别,检验了改进算法在医学数据上的有效性,并对肝脏疾病数据集聚类,对比分析了各项检测指标,预测了患者是否患病,表明了改进算法为疾病诊断提供了实用的工具。