聚类分析作为数据挖掘和模式识别的主要方法之一，越来越引起人们的关注。在众多的聚类方法中，C-均值算法是目前最实用也最受欢迎的算法之一。它不仅有着深厚的数学基础，而且在很多领域获得了成功的应用。但C-均值聚类算法的致命缺陷是对初始值比较敏感，往往只能得到模型的局部极值点，造成聚类结果的随机性，影响聚类的效果。微粒群优化算法（particle swarm optimization, PSO）是一种应用广泛的全局优化算法，它的主要特点是结构简单、易于实现、通用性强、具有记忆功能。因此，把微粒群优化算法同C-均值算法相结合，既能发挥微粒群优化算法的全局寻优能力，又可以兼顾C-均值算法的局部寻优能力，从而更好的解决聚类问题。本文主要对微粒群优化算法在聚类分析中的应用进行了研究。首先采用模糊球壳聚类算法FCSS(fuzzy c spherical shells)分别对非同心球壳状数据集和同心圆数据集进行了聚类实验。结果发现FCSS算法对非同心球壳状数据集分类的效果还是比较好的，而对于同心球壳状数据集的聚类基本无效。因此提出使用标准微粒群优化算法与FCSS相结合的球壳聚类方法（PSO-FCSS）来解决同心球壳聚类问题。通过实验发现：在对同心圆数据集的聚类问题上，PSO-FCSS算法与GA-FCSS算法(基于遗传算法的模糊球壳聚类算法)相比，有相对较快的收敛速度，但是全局收敛性较差，表现为随着数据点数和聚类类别数的增加，PSO-FCSS算法的聚类效果明显不尽人意；而GA-FCSS算法具有较好的全局收敛能力，但其缺陷是收敛速度慢。综合上述因素，将GA（遗传算法）、PSO算法以及FCSS相结合，提出混合球壳聚类算法PSO-GA-FCSS，用遗传算法的交叉因子和变异因子来优化微粒位置，增加其收敛到全局最优解的能力，用于解决球壳状数据的聚类问题。此外，本文还将基于微粒群优化算法的C-均值聚类算法应用于电信企业的客户细分中。在细分过程中，先采用微粒群优化算法产生初始解群后再进行迭代更新，在算法后期对新产生的个体用C-均值算法进行优化，提高算法的收敛速度。这样，算法基本不存在随机寻优的退化现象，后期收敛比较平稳，很少有波动现象，可以很好的解决客户分类问题,对企业决策和运营有很大的指导意义。