机器学习算法的研究是人工智能领域中的一个重要分支,它涉及到众多学科的交叉融合。机器学习算法的研究对象是怎样模拟人类的行为以学习新的知识从而更新知识结构、改善自身的性能。机器学习领域的研究在近些年来已经取得了很大的进展,各种各样的机器学习算法也被提了出来。机器学习算法通常情况下可以被分为三大类:有监督学习算法、无监督学习算法和半监督学习算法。聚类分析算法是其中最具有代表性的一种无监督机器学习算法。该类算法依据数据点的某种属性将数据集中相似的数据点划分到同一个类簇中而把非相似的数据点划分到不同的类簇。尽管各种各样的聚类算法已经被提出,但是大多数传统的聚类方法只能适用于球形类簇的聚类并且算法的聚类结果可能会受到参数设置和初始化的影响。此外,当数据集中数据点数量和数据维度的规模变得非常大时,聚类算法的效率将受到时间复杂性和空间复杂性的限制。因此,本论文中提出了一种快速稳定基于网格的能够识别任意形状类簇的聚类方法,该算法还能够稳定地应对大数据集的聚类。改进的方法中,首先该方法运用给定的公式自动化确定网格的划分区间数目,然后算法计算划分网格中网格节点处的密度值而非传统方法中的网格密度。最后,算法依据网格节点的密度值采用经典的广度优先搜索算法进行聚类操作。在多个人工数据集和真实数据集上的实验结果表明,该方法比传统的聚类方法更加有效。此外,聚类算法结果的评价通常需要计算聚类评价指标的值,传统的点对比较方法对于大数据集的评价指标计算效率比较低。本论文中给出了利用混淆矩阵计算聚类结果评价指标的方法,实验结果表明该方法能够明显地提高获取评价指标值的效率。