一般我们在处理某些特殊事情的时候,往往需要借助工具,将事物分类之后再进行研究,比如地质资源勘探中根据物探、钻探的指标对样本进行分类;考古生物学研究中根据发掘出的骨骸形状和大小将它们分类;气象卫星系统中因为所监测到数据信息非常复杂、庞大,需要将它们按照不同的指标进行分类归整,再进行深入分析,以便做出准确的预报等等,聚类分析因此应运而生。聚类分析技术是一门将具体或抽象的对象划分成不同的类别的科学,其中并没有事先的分类。它也是一种重要的人类行为。随着计算机和信息技术的快速发展,数据信息呈现飞速增长的趋势,作为数据挖掘技术的一种重要手段,聚类分析已经被越来越多的人所关注。K-Means算法是一种基于划分的算法,由于其操作简单,原理通俗易懂的特点,得到了人们的广泛应用和研究,成为十大典型数据挖掘算法之一。但是K-Means算法也有自身的不足,即k值不好确定的问题,初始中心只能随机选择,容易陷入局部最优解等,导致算法很不稳定。因此,本文在K-Means聚类算法基础上引入遗传算法,它是一种通过模仿生物演化过程而开发的进行搜索最优解的方法,具有良好的全局搜索能力。针对两种算法的特点,提出一种改进遗传算法应用于K-Means聚类的混合算法,并用样本数据集进行了仿真实验,实验表明本文算法在应用中得到了良好的聚类效果。本文的工作主要分为两部分:1)第一部分主要简单介绍了聚类分析、K-Means算法和遗传算法的基本概念。重点概述了K-Means算法和遗传算法的基本思想,描述了算法的组成和基本要素以及流程,最后介绍了算法的应用。2)第二部分重点介绍了一种改进的基于遗传算法的K-Means聚类算法,并对此算法在染色体编码、适应度函数的选取、选择、交叉和变异算子的设计和改进、K-Means算法与遗传算法的结合操作等方面进行了全面描述。最后,为了验证本文提出的算法的有效性进行了测试实验,根据实验结果对两种方法进行对比分析,证实了本文方法的可行性和良好的聚类性能。