随着世界现代科技的高速发展,在大数据时代下对分析数据的能力要求逐步提升。聚类常被称为无监督分类方法,是一项被广泛应用而常见的数据分析技术。近年来,以智能优化算法的目标函数最优化为核心基础的聚类数据分析方法成为研究热点,其中具有克服聚类局限性和摆脱对初始类中心敏感的优势的多目标优化聚类技术已被应用于图像分割,遥感影像和基因信息工程等领域。然而,多目标优化算法仍存在操作结构复杂,解集分布均匀度不足和运行效率低等问题,因此其相关理论值得进一步的研究。杂交水稻优化算法是一种模拟三系杂交稻育种的启发式算法,其与生俱来的排序育种机制和个体多样性,结构简单便于实现,使得其有可能成为一种潜在的性能良好的多目标优化算法。本文提出了一种多目标杂交水稻优化算法,其结构简单且运行效率高。本文的主要工作如下:1.设计了一种改进划分机制的杂交水稻优化算法。基本杂交水稻优化算法在设计之初所采用的贪婪策略,导致其收敛可能过快,深入研究其结构特征,探究其三系划分中的贪婪策略的缺陷,改良育种划分机制,改进方法可缓解原算法寻优时在收敛和多样性上矛盾,提升其在全局和局部搜索上的综合能力。通过CEC2015基准测试函数进行验证,实验结果表明其在函数优化性能得以提升。2.将上述改进的算法拓展出了一种多目标杂交水稻优化算法。该算法主要通过非支配分层排序寻找Pareto解的方法和结合杂交水稻优化算法的排序分系特性,并通过常用多目标基准函数测试证实了其较好的多目标寻优能力。3.实现了基于多目标杂交水稻优化算法的聚类方法。利用聚类有效性指标种类繁多特性,选取两种特定的评价指标进行多目标寻优,结合多目标的均衡策略,缓解以单一评价指标为目标函数的进化聚类方法的局限性问题,以提升基于智能优化算法聚类方法的准确度。总的来看,本文主要就基于改进杂交水稻优化算法的聚类方法进行了研究,通过6组UCI公共数据集检验该算法的聚类性能,并将其应用于真实遥感图像聚类,探索该算法在遥感图像领域的适用性。实验结果显示基于改进杂交水稻优化算法的聚类方法,可以避免复杂的传统聚类设计形式和局部最优敏感性问题;基于多目标杂交水稻优化算法的聚类方法,具有运行效率高,聚类准确率高的优点,在遥感图像领域有着广阔的应用前景。