随着信息技术的高速发展,数据的规模呈现爆炸式增长。从错综复杂的数据中挖掘出有价值的信息具有巨大的实际意义。聚类算法作为机器学习领域中的一类重要方法,被广泛应用于数据分析与挖掘中。DBSCAN算法是一种典型的聚类算法,以数据密度为度量,可以识别数据集中任意形状的类及噪音点。但是,算法在聚类过程中使用固定的参数聚类,对于非均匀密度的样本的聚类效果会大打折扣。本文以DBSCAN算法为研究对象,针对其对聚类参数敏感、在处理非均匀密度数据集时效果不理想等问题进行研究,提出了改进方法V-DBSCAN算法。V-DBSCAN可以更好的适合非均匀密度聚类。该算法的主要思想是先找出高密度的类簇,然后改变参数值继续聚类,发现较低密度的类簇。不断改变参数的值,这样不同密度的类簇就会被区分。在不断的聚类过程中也伴随着类簇的合并。这时加入半监督的学习方法,用已知点的标签信息或者约束信息实现已生成的类簇的合并,提高合并过程的速度和精度。同时,建立了R树索引,以提高程序的运行效率。由于地质储层数据的复杂性,传统的测井岩性识别方法效果并不理想,所以将本文改进的方法运用在岩性识别上,作为改进的算法的实际应用检验。实验在测井岩性识别上运用了V-DBSCAN算法,采用了三种不同的距离与K-means,KNN和NBC算法做比较,分析了这四种算法在岩性识别的准确率上的差异,实验结果说明了该算法应用在测井数据的岩性识别的准确性高于其他算法,证明了V-DBSCAN能较好地应用于测井岩性识别。