数据是新时代每个行业的隐形资产,能够挖掘出数据中蕴含的信息则能够助力行业快速发展以及产业的快速转型升级。聚类算法是一种无监督的数据分析工具,探究数据集其结构信息和数据样本相似关系,通过把数据样本进行分类的方式有效地处理海量数据。因此,各个领域都在广泛应用,如:模式识别、图像分析、信息提取、数据压缩和网络安全等。密度峰值聚类（DPC）是一种基于密度的聚类方法,该算法提出将数据样本点的局部密度以及相对距离相结合的概念,它不仅可以对任意形状数据集进行划分,还提出了新颖的剩余数据样本点分配的策略,并可以对离群点进行剔除。但其存在缺点,第一,截断距离依赖于人为设置,第二,现有局部密度计算方式不够合理,第三,以简单几何距离为主的数据样本距离测度方法存在弊端。基于此,本文主要研究内容如下:（1）基于L1范数的多密度峰值聚类算法研究。为了解决DPC算法在对于密切相邻的类簇可能将其识别为一类的问题,本文在原始密度峰值聚类中引入疑似聚类中心概念,研究基于L1范数的多密度峰值聚类算法。该算法利用概率分布对数据点的决策值进行聚类中心的选择,并对其进行数据点分配,最后利用Warshall算法对疑似类簇进行类簇合并得到最终的聚类结果。（2）基于随机游走的密度峰值聚类算法研究。针对原始DPC算法只是采用简单的欧式距离来刻画数据点之间的距离,本文讨论了基于随机游走的密度峰值聚类算法,该算法引用随机游走,通过随机游走来刻画数据点之间的距离,体现数据集的结构分布。实验结果表明,基于随机游走的密度峰值聚类算法在对数据类簇分布广泛的数据集的聚类效果显著。（3）基于密度峰值聚类算法的连续属性离散化研究。无监督性是密度峰值聚类算法特性,因此可以将密度峰值聚类算法应用在连续性属性的离散化,本文开展了一种基于密度峰值聚类算法的连续属性离散化。密度峰值聚类算法在对连续属性进行离散化时并不需要进行迭代,相较于传统的方法能够缩短时间,提高算法效率,实验验证了其离散化效果。