聚类分析技术是机器学习和数据挖掘中的一项关键技术,它已应用于模式识别、图像分析、数据统计与分析等众多领域。聚类分析是一个把数据对象划分成子集的过程。每个子集是一个簇,使得簇中的对象彼此相似,但与其它簇中的对象不相似。随着物联网、人工智能以及云计算等技术的迅速发展和广泛应用,数据量在不断地增长,同时也产生了大量分布复杂的数据集。这些数据集中包含了任意形状、任意密度的簇。这些分布复杂的簇给聚类分析算法带来了新的挑战。本文针对包含任意形状、任意密度簇的数据集,基于k最近邻的方法对聚类分析算法进行了研究,提出了kNNC和DCTC两个算法。具体取得的研究成果如下:（1）kNNC算法基于距离最近的两个点应该被划分到同一个簇中、联系紧密的两个簇可以合并为一个簇的思想,发现任意形状、任意密度的簇。算法首先根据数据点的k近邻关系,提出了一种新的数据点相似性度量方法。这种相似性度量方法能够适应数据集中数据点的密度变化。然后,对于数据点对,如果它们之间的共同邻居个数大于给定的阈值,就将此数据点对加入到同一个簇中,形成初始簇。接着,如果两个初始簇中的数据点具有较多的共同邻居,就将这两个簇合并为一个簇。在此过程中,同时如果某个数据点与其它数据点之间共同邻居的个数小于给定阈值,就识别为噪声点。在实验中,将kNNC算法与2个经典聚类算法、4个新的优秀的聚类算法,在13个包含任意密度、任意形状簇的数据集以及6个多维数据集上进行了对比。结果表明,kNNC算法可以快速有效地发现任意形状、任意密度的簇,并且能够识别噪声点。（2）DCTC算法是一种基于k近邻发现簇主干的聚类算法。该算法首先利用数据点的k近邻和反向k近邻之间的关系,定义了数据点的局部密度。这种密度消除了数据集中不同簇之间数据点密度差异较大对聚类结果的影响。然后,根据数据点的局部密度将数据点划分为核心区域点、边界区域点和噪声区域点。这种方法消除了以任意形状、任意密度分布的簇和具有多个中心点的簇对聚类结果的影响。接着,对核心区域的点,进行聚类形成簇主干。最后,对于边界区域的点,将其分配给与它关系密切的簇构建最终簇。在13个包含任意密度、任意形状簇的数据集以及5个多维数据集上,DCTC算法与2个经典聚类算法、4个新的聚类算法进行对比。结果表明,DCTC算法发现任意形状、任意密度簇的性能更好,同时对不平衡数据集以及多中心点数据集的检测有较好的表现。本研究提出的两个聚类算法在复杂分布的数据集中均能较准确地发现任意形状、任意密度的簇,并且具有较低的时间复杂度,均为O（n·logn）。