在大数据的背景下,聚类分析作为数据挖掘重要的技术手段之一,应用领域十分广泛。基于密度峰快速搜寻的聚类分析方法由于良好的聚类效果,且不受簇类形状所约束,在众多聚类算法中脱颖而出,其在运用过程中关键参数和聚类中心点的选定需要人为参与,给聚类算法应用来带不少困难。针对以上问题,本文开展了密度峰快速搜寻算法的关键性参数自适应优化研究以及密度峰自动确定方法研究,并运用到基于近红外光谱的三叶青产地鉴别的聚类分析中。本文主要开展以下三部分的研究工作:1)从快速搜寻密度峰聚类算法的基本原理入手,介绍了几种常见的局部密度计算方法,同时还详细分析了关键参数对局部密度计算和聚类性能的影响,为算法的改进研究提供方向。2)密度峰快速搜寻算法在运用过程中的难点在于如何确定一个适合的截断距离参数,但目前针对该参数的具体计算方式,还未有明确的定义,通常人为设定,这无疑增加算法的人为主观性,且随着数据样本的数量和维度增加,难度也随之增加;从决策图提取聚类中心的方法也比较模糊,从而限制了该算法的表现。针对该算法的不足之处,提出了两点相应的改进措施:①利用曲线拟合的方式实现聚类中心自动确定;②利用密度势熵的最小化实现截断距离dc 参数自适应。同时还给出了算法改进后的具体流程图及其步骤,最后利用公共数据库里几种常见的数据集对改进算法进行验证,说明改进算法的有效性。3)三叶青是一种对多种临床疾病有显著疗效的珍稀中药植物,不同产地三叶青药用价值差异明显,基于聚类技术实现产地鉴别对监管市场、保障消费者利益具有重要意义。在利用改进的快速搜寻密度峰聚类算法对三叶青的近红外光谱数据做应用研究时,共采集了 8个不同产地的三叶青近红外光谱数据,该光谱维度高达1577维,因此截断距离参数人为设定难度大,且不同产地的近红外光谱较为相近,给聚类中心的准确提取带来一定困难。而利用本文所提的改进算法时,该参数的计算结果为0.038,聚类中心自动确定为8个,且最终的鉴别精度达100%。进一步说明了基于密度势熵最小化的截断距离自适应确定方法效果明显,同时也说明了利用非线性函数拟合决策图可以准确的提取出聚类中心点。面对越来越多样化的数据,基于密度峰快速搜寻的聚类算法由于其快速性、且不受簇类形状所约束,拥有着广阔的应用空间。