大数据智能挖掘分析是当前大数据挖掘研究和应用发展的重要方向,问题任务的复杂性是其中的关键挑战,探索复杂任务的分解求解具有重要意义。目前,复杂任务求解方法(如专家式分解、按类别分解、自动分解等)主要是基于监督式或半监督式,任务分解求解前需要大量的学习过程。然而,在现实场景下,用于学习的大量先验知识有时难以获取。所以,本文模拟人类思考问题时的多粒度观察和分析的思维,采用密度峰值聚类的信息粒化策略,探索多粒度分解求解机制在实际复杂问题中的应用效果。本文主要贡献如下:1、提出一种基于密度峰值的复杂网络多粒度分解求解方法,该方法主要探索基于密度峰值的多粒度分解机制在复杂网络下解决社区发现问题的效果。首先,本文采用密度峰值聚类算法生成任务求解的全局任务引导树,通过定义相似度度量公式和相似度阈值来判断子任务集能否从全局任务中分解。其次,在复杂网络的多粒度社区发现任务求解模型中,采用基于密度峰值的复杂任务分解算法,得到最粗粒度任务求解空间,结合定义的粒化规则,使最粗问题求解空间由粗到细进行粒化,形成社交网络的多粒度问题求解空间;最后,通过实验对比证明了本方法能快速自动地发现社交网络中社区结构的层次关系,能有效地发现多粒度社区。2、提出一种基于密度峰值的复杂图像多粒度分解求解方法,该方法主要探索基于密度峰值的多粒度分解机制在图像分割中的应用。首先给出一种基于密度峰值的多粒度高斯云变换算法,该方法通过改进高斯云变换算法,使形成的概念能在不同粒层上跃升,有效地加速高斯云变换的速率。其次,采用基于密度峰值的多粒度云变换算法对灰度图像进行云变换,形成不同粒度的云模型。基于不同粒度层次的云模型来对图像进行分解,在较粗的粒度层形成前景和背景信息的分割。通过将粗粒层图像空间分解为多个细粒层图像空间,在细粒层上形成更多图像细节信息的分割。最后,通过实验对比证明本算法能准确地对图像进行分割,在图像细节的分割上相较其他方法表现更为突出。