随着科学技术的发展与创新,信息技术及计算机技术给社会带来极大的进步,数据库的信息量也随着增长,形成了大量多元化数据,并蕴含丰富的信息。数据挖掘便是一种能够快速有效的帮助我们从这些大量的多元数据中提取出有效信息的技术。聚类分析是数据挖掘的重要组成部分之一,在任何分析含有多元数据的领域中都很普遍。而聚类边界检测在图像处理、机器学习和实际应用中具有重要的作用,但对聚类边界检测研究还处于起步阶段。准确地检测聚类边界有助于提高聚类或分类的精度,也能对边界数据的特征进行深入研究。本文在分析现有聚类边界检测算法的基础上,先求得候选边界集,然后再确定聚类的精确边界,基于这种逐步求精的思想,提出了两种新的聚类边界检测算法：基于双阈值分割的聚类边界检测算法(BDDTS)和基于改进的harris算子的边界检测方法(BDHO)。BDDTS边界检测算法根据数据点的准则函数值的不同,利用高低两个阈值将数据对象分为聚类的内部点、中间点和外部点三个点集,然后从中间点集中去除内部点,并与外部点集合并,形成了候选边界集。再对候选边界集进行二次处理,得到比较精确的边界。实验结果表明,该算法可以快速有效的检测任意形状、任意大小和不同密度的聚类边界点,在真实数据和高维数据集上同样适用。同时,算法参数也易于选取。BDHO边界检测算法以图像处理中的harris算子为基础。先选取一个参考方向,然后通过角度信息选取另一个方向,计算这两个方向上数据点的方向变化率,根据改进的harris算子的思想,计算这个对象的边界点响应函数值,并利用边界响应阈值去除大部分内部点和噪声点,所留下的数据点为边界点和部分靠近边界的点或者稀疏的部分内部点。再利用角度响应阈值完善这个边界。算法能够处理多密度、不同形状、任意大小的数据集。本文提出的这两个边界检测算法引入了其他领域的知识,能够有效的解决聚类分析中边界检测问题。