聚类是一个古老的问题，它伴随着人类社会的产生和发展而不断深化，人类要认识世界就必须区别不同的事物并认识事物间的相似性，而每个概念的最初形成无不借助于事物的聚类分析。因此，聚类分析的研究不仅具有重要的理论意义，也具有重要的工程应用价值和人文价值。传统的C-均值聚类算法思想简单，易于实现，而且运行速度快，内存消耗小，能有效地处理大数据集，是目前最常用的聚类算法之一。但是它们存在两个主要的缺点：对初始划分矩阵敏感和容易陷入局部极小值。为了解决上述问题，本文研究了基于改进粒子群算法的C-均值聚类算法。首先对粒子群算法做了部分改进，将加速系数的取值和惯性权重结合起来，提出了一种具有沿折线先增后减惯性权重的粒子群算法，可以从理论上保证该粒子群算法的收敛性。然后将这一改进的粒子群算法引入到C-均值聚类算法中，以增加隶属度矩阵的初始化多样性，解决C-均值聚类算法对初值的敏感问题，避免算法容易陷入局部极小值。仿真实验验证了该算法的有效性，实验比较结果表明，该算法比单一使用C-均值聚类算法的聚类效果更好。