根据是否会随着时间变化,数据可分为静态数据和时演数据。传统的聚类分析主要处理静态数据,而在实际应用中,诸如股票数据、社交媒体数据等都是会随着时间变化的时演数据。与静态数据不同,在处理时演数据时需要对每个时间步骤的数据都进行聚类。因此,所构造的聚类算法不仅要反映长期聚类趋势,而且对短期变化具有鲁棒性和一定的光滑性。目前,构造时演数据聚类的一种重要方法是通过时间平滑度对传统静态聚类方法的代价函数增加惩罚项^[1][2],称之为罚函数类方法。在此聚类框架下,可以方便地扩展各种静态聚类算法,如模糊聚类、K-均值聚类、谱聚类等。然而此类算法都存在与传统静态聚类方法一样的缺点,对初值选取敏感、容易收敛到局部解等。基于时演数据与时间紧密相关的特点,论文针对现有这些聚类算法存在的一些问题,进行了相应的研究与分析,并对已有的算法进行了一定的改进。具体工作如下:（1）将差分进化引入时演数据的演化谱聚类算法中,构造了基于差分进化计算的演化谱聚类方法,利用差分进化实现全局随机寻优,以克服演化谱聚类收敛到局部解的缺点。（2）提出了时演数据的演化模糊聚类算法。根据时间序列上平滑性要求,采用加权的方法推导时演数据的两种模糊聚类格式,在差分进化的框架下,实现了时演数据的演化模糊聚类。（3）修正样本数据的距离,实现时演数据半监督演化聚类。利用辅助信息正关联集合（ML）与负关联集合（CL）,修正样本数据的相似度矩阵。论文采用两种做法,一种是基于数据密度,修正ML与CL点集邻近集合的距离;另一种是对时演数据训练,产生一个新的距离度量。（4）利用基于差分进化的时演数据演化谱聚类算法,实现股票数据的演化聚类,进而分析股票数据的动态趋势。