作为自然计算的新分支,膜计算是研究利用生物细胞膜的特性来抽象出计算方法和模型的领域,由膜计算模型、膜算法以及膜进化算法组成。膜计算模型（也称为P系统）是基于细胞膜结构和通信机制提出的一种分布式并行计算模型,它天然的并行性和不确定性使得它近些年在越来越多领域都得到了应用,如组合优化、自动控制等。而膜进化算法是受生物细胞的生命周期特征启发而提出的一种进化算法,它拥有寻找全局最优解的能力,也在解决NP难的问题上得到了一些应用。在大数据时代,聚类分析是数据挖掘中的一个重要组成部分,其目的是挖掘数据集的内在结构和数据之间的联系。聚类分析主要可分为层次聚类和划分聚类等。其中,层次聚类能够将数据集组成一个树状的层次结构,但是与其他聚类算法相比它的计算量非常庞大,并行程度不高。而划分聚类方法相对比较高效,但是它需要预先指定数据集的聚类数量,而且大部分划分式的聚类算法对初始聚类中心敏感,存在可能无法找到全局最优解的问题。针对上述问题,本文基于P系统的不确定性和极大并行性的特点,研究并设计了层次聚类P系统Π,其与传统层次聚类相比提高了并行性;其次利用膜进化算法的全局搜索能力,提出了一种启发式的聚类算法MEAMC,它不需要预先设定聚类数目,且实验结果表明MEAMC具有良好的性能。本文主要工作如下:（1）提出了基于类细胞P系统和层次聚类算法思想的层次聚类P系统Π,设计了它的膜结构和进化规则。进一步分析了Π的并行性,最后通过实例说明其计算流程和正确性。（2）提出了基于膜进化算法的启发式聚类算法MEAMC,设计了针对聚类问题的膜结构和进化算子。最后通过参数敏感性实验和对比其他基于进化算法优化的聚类算法,验证了MEAMC的有效性,并且能找到最佳聚类数目。本文将膜计算与聚类分析两个领域相结合展开了相关研究。所得的研究成果不仅扩展了膜计算模型和膜进化算法的应用领域,同时为解决聚类分析中存在的问题提供了新的思路,对于膜计算和聚类分析领域的研究都具有一定参考意义。