密度峰值聚类（Density Peaks Clustering,DPC）是一种基于密度的聚类算法,它通过计算数据对象的局部密度和相对偏移距离,生成“决策图”来判别聚类中心,然后采用一步分配策略进行数据分配。因其速度快、准确度高,DPC算法已经被广泛应用于图像识别、市场营销、生物信息学和金融分析等领域。本文致力于对DPC算法的研究和应用,旨在提升DPC算法的聚类能力,实现高质量聚类,并将改进后的DPC算法应用于金融分析中。具体研究内容如下:（1）针对局部密度的计算依赖于截断距离参数(9(（8）的选取,并且聚类中心需要手动选取的问题,本文提出了一种自适应局部密度和聚类中心的密度峰值算法（Automatic Decision Density Peaks Clustering,AD-DPC）。该算法通过“正向邻居”和“反向邻居”的概念寻找最优近邻数k,并提出k近邻模糊核来计算局部密度。这种方式减少了人为指定(9(（8）带来的主观性和不稳定性。本文在局部密度和相对偏移距离相乘的基础上,提出了新的核心点评估方式,通过这种方式可以有效筛选出核心点。通过实验数据表明本文所提出的AD-DPC算法不仅能自适应的选择聚类中心,还在准确度上有一定程度的提高。（2）针对DPC算法通过采用一步分配策略,即一次性将聚类中心的标签分配给所有非聚类中心点,这样的策略容错性差,本文在AD-DPC的基础上提出了自适应多步分配策略的密度峰值聚类算法（Adaptive Allocation Strategy Density Peaks Clustering,ADAS-DPC）。所提出的方法包括三个主要步骤:第一步,使用特定策略来识别高密度点以及边缘点;第二步,通过传播分配策略对核心点标签分配;第三步,引入了检查机制,来检查边缘点的标签是否最优。通过实验表明ADAS-DPC算法不仅可以处理形状复杂、簇间密度差异大、簇间紧密连接的数据集,而且提高了算法对高维数据的聚类性能。（3）针对低收入银行客户信息规模大,重叠区域复杂,这会严重影响聚类算法对低收入银行客户细分能力的问题,本文在低收入银行客户模型的基础上,利用所提ADAS-DPC算法进行聚类分析,开发了对低收入银行客户的细分工具,为银行推行普惠金融提供了一个有效的分析方法。