遗传算法是以自然选择和遗传理论为基础,将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的高效全局寻优算法。它提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架,它不依赖于问题具体的领域,已经广泛应用于许多科技领域并取得了成功。但是传统遗传算法有一些不足,如收敛速度慢,有时会出现早熟收敛等。遗传算法还需要进一步研究。聚类分析是数据挖掘中的核心技术之一,也是多元统计分析的主要分支之一。经过多年的发展,聚类分析具有坚实的理论基础并形成了系统的方法学体系,然而传统聚类分析方法大多局限于理论上的分析并依赖于对数据分布特征的概率假设,较少考虑具体应用中的实际数据特征与差异。因此,如何克服传统聚类分析方法对这种概率假设的依赖,成为近年来学术界的研究热点。本文针对上述问题开展遗传算法改进以及基于遗传算法的聚类分析方法研究。在深入分析普通遗传算法和传统聚类分析方法机理的基础上,分别提出了一种模糊自适应遗传算法和伪并行遗传聚类分析方法。模糊自适应遗传算法的思想是通过模糊推理系统,利用种群的方差和熵来自适应调整交叉概率和变异概率,从而保证种群的多样性,仿真实验结果表明这种遗传算法明显地提高了寻优性能,较好解决了普通遗传算法的早熟收敛问题;伪并行遗传聚类分析方法的思想是采用实数编码方式对每个样本所属的类别进行编码,通过空类的识别和修复来修正不合法的染色体。在引入离散随机变异算子和优化方向变异算子的基础上,结合迁移策略和插入策略,达到兼顾局部收敛速度和全局收敛性能的目的,从而克服了传统的基于聚类准则的聚类算法对初始化敏感以及容易陷入局部极值的问题。与K-均值算法对比仿真实验,表明了这种基于伪并行遗传算法的聚类新方法的可行性和有效性。