得益于现代计算机计算力的不断提升,与数据相关的计算机应用技术获得了飞跃发展,在大数据时代中数据库中存储了海量的数据,人们的关注焦点从获取并存储大量数据转移到了如何对数据进行挖掘技术以获取其中有用的信息。科学实验数据、医疗数据、人口统计数据、金融数据等领域产生了不少与数据挖掘相关的应用技术,如今发展数据挖掘相关的算法成为了学术界与工业界的重点研究对象。数据挖掘的各类算法可以根据不同的目的分为多种类型,其中一个重要的发展方向为聚类分析。为了优化出满足不同分布特点的聚类模式,各种不同的聚类分布指标被提出。不同聚类内部指标对不同数据集的划分评价不完全一致,并且在使用单一指标作为优化目标时只能完成一个优化任务。针对这一特点,已经有学者使用多目标进化得到大量的解覆盖不同数据集与不同目标值,从而获得更好的聚类结果。而多任务学习可以将对不同指标的优化视作不同的任务,分别找到各个任务下最优解并最后用专家知识找出最适合该数据集的那个聚类结果,所得到的解集个数远少于多目标算法。基于聚类任务的特点,为了提高聚类优化的多指标分析能力,本文以多因子进化算法为起始,提出了总计三个基于多任务优化算法的聚类方法。多任务进化框架下的聚类算法优势在于同时对多个聚类内部指标优化,可以得到比单任务优化算法数量更多的解集,得到的结果筛选难度比多目标聚类算法更容易,最后通过专家知识筛选出得到最适合数据集的目标解。本文的主要内容如下:（1）以多因子进化算法为框架提出一种使用多任务进化的聚类算法,并测试了算法分别在人工和真实数据中的聚类优化能力;（2）用一种粒子群自动聚类优化算法为基础算法,提出多任务协同和分级多任务协同的聚类算法;（3）使用人工数据集和真实数据集对本文算法测试,多任务算法在试验的结果中展示了不错的结果。另外,将本文提出的算法进行了多项算法参数相关实验。