由于自组织映射(Self-Organizing Feature Maps, SOM)算法和粒子群优化(Particle Swarming Optimizing, PSO)算法拥有着概念简明、实现方便、收敛速度快、参数设置少,自组织自适应的特点,使得二者近年来在聚类分析领域越来越受到人们的广泛关注。但是,这两种算法的初始化都是选择随机的方式,这就导致了算法的收敛速度受到影响,聚类的精确度也有待于进一步提高的问题。本文通过对现有一些SOM和PSO的改进算法进行研究,提出了三种改进方案：一是提出了用局部样本中心初始化神经元权值的方法,改进了SOM算法；二是将收缩因子和淘汰最差粒子的策略应用到PSO聚类算法之中,改进了PSO聚类算法；三是将SOM算法与改进的PSO算法进行有机结合,提出了SOM/PSO聚类组合算法。第1章介绍课题的研究意义和研究现状,并对全文的研究内容做了概述。第2章介绍了SOM算法的原理和机制,针对SOM算法随机初始化神经元权值的策略影响了算法的收敛速度,以及对比文献中SOM改进算法无法处理噪声等问题,提出了一种用局部样本中心初始化神经元权值的改进算法——LCSOM算法。通过对UCI测试集的聚类实验验证了该方法能够提高SOM算法收敛的速度,弱化噪声对权值初始化的影响。第3章介绍了群体智能和粒子群优化算法的概念,并针对粒子群优化算法无法保证收敛和收敛速度慢等问题,引入收缩因子到PSO聚类算法中——得到SF-PSO算法,还提出了在此基础上引入淘汰最差粒子策略的SFAW-PSO算法。对UCI测试集的聚类实验验证了SF-PSO算法和SFAW-PSO算法能够在确保PSO聚类算法收敛的基础上,加快算法的收敛速度,并用外部和相对评价方法分别对聚类结果进行评价,获得较好聚类的质量。第4章为解决PSO聚类算法收敛速度慢的问题,提出一种将二者有机结合在一起的聚类组合算法SOM/PSO算法。按照PSO聚类算法选取的不同,组合算法可以细化为SOM/PSO算法、SOM/SF-PSO算法和SOM/SFAW-P-SO算法。经过对UCI测试集的聚类实验验证,三种新的聚类组合算法能够在不影响聚类效果的前提下,提高算法收敛速度和聚类的质量。第5章通过对文本数据集进行聚类实验,检验了LCSOM算法和SOM/SFAW-PSO算法对文本数据的聚类效果：在聚类效果不变或更优的情况下LCSOM算法比SOM算法在速度上有较大的提高,而SOM/SFAW-PSO算法比对比文献中的组合算法在聚类效果上有所提高。