聚类分析一直是数据挖掘领域相对活跃的一个领域。在过去的这些年里，站在不同的角度、针对不同的实际情况，人们提出了许多卓有成效的聚类分析方法。根据其各自依据的原理不同，大致可以分为基于距离、基于密度、基于层次、基于模型以及基于网格等五类方法。本文在详细分析了现阶段比较常用的聚类算法以及各自的优劣之后，重点地分析了基于密度的经典算法DBSCAN的思想和步骤，总结出了DBSCAN存在的三个问题，提出了一个基于DBSCAN的改进聚类方法PDBSCAN。 DBSCAN算法存在着三个不足之处：(1)、DBSCAN算法采用一个全局的Eps(半径)来对整个数据集合进行聚类，其优点在于能够发现任意形状的类以及对噪声不太敏感。但当输入数据分布及不均匀，类与类之间的密度相差过大时，采用一个全局的Eps的弊端是显而易见的。可以分析，在刚才假设的数据分布情况下，采用一个全局的Eps虽然可以找出那些密度较大的类，却无法辨别数据集合中那些密度相对过小、而实际上非噪声点的类，从而导致错误的聚类结果；(2)、DBSCAN需要建立整个数据空间的R*-树，需要较大的内存支持，I/O消耗非常大。由于系统内存的限制，当数据量急剧增大时，很有可能运行不了DBSCAN算法；(3)、DBSCAN算法的Minpts和Eps参数的确定缺乏科学的指导，完全靠用户经过尝试确定，但这两个参数又是决定聚类结果好坏的关键。 针对DBSCAN算法的不足，本文提出了PDBSCAN算法。PDBSCAN算法的主要思想是：根据整个数据空间的密度大小分布情况，对整个数据空间进行分而治之的策略，密度大的区域先聚类，密度小的区域后聚类，根据密度的不同确定不同的Eps参数进行聚类。最后，将各个小区域的聚类分结果合并和归并噪音点，得到最后的聚类结果。 PDBSCAN算法把整个数据空间化整为零，解决了由建立*-树所带来的I/O问题；同时，在各个密度区域采用不同的Eps，解决了不能发现比较稀疏的类的问题。在本文的最后，在模拟数据上实现了PDBSCAN算法的关键步骤——数据分区。验证了分区策略的有效性。