数据挖掘的主要目标就是在海量数据中发现隐含在数据内部的不易被察觉的对决策者有用的信息。面临海量的数据资料,我们的首要的使命是将这些数据进行合理的归类。聚类的定义为：将抽象的数据对象的集合或者物理的数据对象集合分成相似的对象集合的过程。以基于密度、基于划分等为代表的是聚类算法,是聚类过程中主要使用的手段。计算机技术的进步和互联网技术的发展给数据处理带来前所未有的挑战。计算机和互联网技术的发展使得需要处理的数据类型越来越复杂和数据量也越来越大。数据类型和数据量级的增加使得数据挖掘技术在数据处理方面显得尤为重要。在数据挖掘中,基于密度的聚类分析方法意义重大。大多数聚类算法如DBSCAN算法和OPTICS算法等在聚类过程需要输入参数,而传统意义下这些参数由算法使用者随意设定。显然,人为选择参数有很大盲目性。很多情况下,算法的使用者找不到适合某个数据集的参数。为了解决此问题,本文提出ADCA算法。ADCA算法在基于密度的聚类方法基础之上加入了数据分层思想和基于数据集本身的自适应性思想。该算法通过分析数据自身分布自动确定相应参数,完成基于密度的聚类分析,产生合理的聚类分析结果。通过实验结果分析,发现本文提出的ADCA算法能够根据数据本身产生合适的算法参数,然后基于密度对数据进行很好地聚类,得出良好的聚类结果。