数据挖掘是从大量的、不完全的、有噪音的、随机的数据中获取潜在的、有用的信息和知识的过程。聚类分析是数据挖掘重要的组成部分,它是一种无监督的学习方法,不需要关于数据集的先验知识。聚类算法就是根据事物之间的某些属性,把事物聚集成类,使得不同类中的事物尽可能的相异,而同一类中的事物尽可能的相似。聚类分析已经被广泛地应用于生活中的各个领域。K均值聚类是典型的划分聚类,它因为实现简单,效率高而被广泛的应用,但该算法存在着需要事先给定簇个数、对初始中心点选择的依赖性和容易陷入局部最优解等问题。调和K均值算法(KHM)虽然有效减小了对初始中心点选择的依赖性,但它仍需要事先给定簇个数且容易陷入局部最优结果。针对以上问题,本文提出新算法结合蚁群算法的调和K均值算法(ACAKHM),引入了蚁群算法,蚁群算法的特点是可自主聚类,不需要给定簇个数,且它是全局寻优的启发式随机搜索算法,有较强的鲁棒性,易于与其他算法相结合。新算法充分利用了蚁群算法和调和K均值聚类算法的优点,先通过蚁群算法对数据集进行初步聚类,得到簇个数及初始聚类结果,再将蚁群算法得到的初始聚类簇中心点作为调和K均值聚类的初始中心点,选择较优的初始值,以达到获得较优聚类结果的目的。实验证明新算法有效解决了调和K均值算法中簇个数需事先给定及聚类算法容易陷入局部最优的问题。