当今社会随着科技的进步日新月异,互联网、云计算、大数据等技术时刻影响着人类的思维和生活,深刻展示了世界发展的前景。互联网的兴起和信息数据的不断累积推动着整个社会向大数据时代发展,数据在人们日常生活中的方方面面扮演着重要的角色,各行各业因为大幅爆发的数据正变得蒸蒸日上,数据已成为当今社会发展的重要影响因子,而如何有效处理不断庞大的数据成为时下数据挖掘领域的难题。聚类算法作为无监督学习的一种方法,是数据挖掘中重要的工具,如今也成为科学研究领域的热点问题。密度峰值算法(DPC:Density Peak Clustering)是一种新颖而有效的基于密度的聚类算法,于2014年在Science上发表。相比其它聚类算法,密度峰值算法在处理不同大小和密度的集群上具有独特的优势,但DPC算法仍然存在一些不足:(1)决策图的中心点选择困难。由于部分具有复杂结构的数据集,其聚类中心点在决策图中辨识度不高,而DPC算法需要在决策图中人为选择聚类中心点,容易导致错选或漏选现象;(2)异常点识别困难。DPC算法在数据集低密度区域难以有效处理样本点,这也导致DPC无法识别异常点;(3)大型数据集处理过慢。DPC算法的时间复杂度为(9)),这也导致DPC在需要大量的时间来处理大型数据集,因此其在大数据时代得不到广泛使用。本文根据以上存在的问题提出了不同的改进方案:(1)针对密度峰值算法在某些复杂结构的数据集上中心点不明确的现象,本文提出基于引力的密度峰值算法(GDPC:Gravitation-based Density Peaks Clustering)。新算法使用引力的倒数作为参数替换DPC算法中的参数,通过两个算法对比实验来看,GDPC生成的决策图比DPC更容易识别中心点。(2)针对所提出的GDPC算法在异常点识别方面的不足,本文提出一种K近邻改进算法,该算法在GDPC聚类结束后对低密度区域使用改进的K近邻算法对没有识别的低密度点进行分类,使GDPC算法能够有效识别异常点。(3)针对GDPC算法在处理大型数据集上耗费时间过长的问题,本文提出了一种k-Means与GDPC相结合的k-GDPC算法,k-GDPC采用先分区再合并的策略来快速发现空间数据库中具有不同大小和密度的簇类,由于它在聚类过程中缩减了大量的数据处理,从而大大减少了时间的消耗。k-GDPC算法的时间复杂度与数据量呈线性关系,旨在处理大型数据集时替换GDPC算法。