聚类分析是数据挖掘领域中一个十分重要的课题，既可以单独用来分析数据集中的深层信息，也可以作为其他数据挖掘分析算法的一个预处理步骤，因此研究如何提高聚类算法的性能具有重要的意义。相比于传统的硬聚类算法，模糊聚类算法，有着更好的数据表达能力与聚类性能。基于目标函数的FCM算法是最为完善、应用最广泛的模糊聚类方法之一。然而研究表明FCM算法强烈依赖于参数的初始状态，算法容易陷入局部极值点而得不到最优模糊划分；另外，FCM算法要求在分析前给出聚类类别数C的先验信息，这给算法的应用带来极大的不便。　　 本文重点针对FCM算法对初始值敏感，易陷入局部最优及需要事先给出聚类类别数C等不足，提出了一种基于改进的模拟退火遗传算法的模糊聚类算法(SAGAFCM算法)。改进SAGAFCM算法先利用网格化和密度值法改进最大最小距离法得到最有可能成为聚类中心的点，从而较大程度上避免了初值选择的随机性，接着利用模拟退火遗传算法从这些候选点中选出最优的初始聚类中心点，最后以得到的聚类中心点作为FCM算法的初始值，得到最终的聚类结果。该算法实现了输入参数的知识领域最小化，即不要求用户事先给出聚类的个数和初始聚类中心。SAGAFCM算法中采用的模拟退火遗传算法以动态方式来确定聚类中心数，相应的染色体采用可变长染色体编码方案；另外，SAGAFCM算法中用到的适应度函数也对FCM中的目标函数进行了改进，同时考虑了聚类信息的耦合度和分离度。为了测试改进SAGAFCM算法的聚类性能，本文将其与FCM算法在多个数据集上进行了对比实验，验证了SAGAFCM算法在聚类质量和聚类稳定性上都远优于FCM算法。