数据挖掘是在海量的数据中寻找模式或规则的过程。数据聚类是其中一项重要的数据挖掘技术,是人们认识和探索事物之间内在联系的有效手段,它既可以作为独立的数据挖掘工具,发现数据库中数据分布的一些深入信息,也可以作为其它数据挖掘算法的预处理步骤,且在工程和技术领域具有广泛的应用背景。聚类就是将数据对象划分到不同组簇中,使得属于同簇内的数据对象具有相似性,而不同簇的数据对象具有相异性。本文在充分研究了现有蚁群聚类算法的基本原理与特性,为了提高算法效率,改善聚类质量,在归纳总结的基础上,提出基于信息素的蚁群聚类组合算法。主要思想是尽可能模仿蚂蚁的真实行为,将蚂蚁的空间转换与周围的环境紧密地联系在一起,避免了LF算法中蚂蚁随机的移动,又利用了蚁群分布式搜索的特性,来改善传统的K-means算法常常易于陷入局部最优的缺陷。最后将此种算法应用于证券行业中客户的细分。本文的研究具有一定的理论和实践意义。