随着信息技术与数据存储技术的不断发展,数据挖掘技术则成为信息决策领域最前沿和最活跃的研究方向之一,作为数据挖掘的一种强有力的分析工具,聚类得到了人们的广泛关注。传统的聚类方法很难处理大规模、复杂结构的数据,因此一些智能的聚类算法应运而生。其中粒子群聚类算法在处理大数据聚类问题上别具一格,粒子群聚类是通过计算机对数据聚类分析的同时结合了粒子群的生物机制,它的自组织、自学习的能力使其具有很强的适应性和鲁棒性,得到全局最优解。本文首先介绍了粒子群聚类算法的研究背景与意义以及国内外的研究现状;然后给出了粒子群算法、聚类算法以及粒子群聚类算法的基本理论和方法;并重点阐述了粒子群聚类算法的改进算法,该算法引入了聚类有效性指标对聚类结果进行有效性度量,最后通过粒子群聚类算法的目标函数、聚类有效性指标以及利用粒子群的交叉变异提高聚类算法的效率以及精度。最后利用改进的粒子群聚类算法做了三个应用实验:首先在模拟数据集上进行聚类分析,然后在医学图像分割中做了一定的应用,最后在智能交通上对最短路径选择做了一些应用。这些应用的结果表明我们改进后的粒子群聚类算法的聚类效果更好,精确度更高,稳健性更强,效率更高,具有很强的适用性。