密度峰值聚类算法（DPC）是一种新的基于密度的聚类算法,该算法具有原理简单、高效快速等优点,自从提出以来便引发许多学者的关注,且被广泛应用于图像处理、生物医学、文档处理等领域。同时,人们在应用中也发现DPC算法存在着一些问题:（1）该算法的聚类结果在一定程度上受截断距离参数设置的影响,人为设定的参数值将无法避免主观性与随机性这一问题;（2）样本局部密度的计算方法仅考虑了距离因素,而未能充分考虑全局的分布情况;（3）在决策图生成后需要手动选取聚类中心,对于某些数据集而言,可能会导致聚类中心多选或漏选的情况,这会直接影响聚类结果。本文针对密度峰值聚类算法存在的不足之处进行了深入研究,并在此基础上进行了优化改进,具体研究内容和研究结果如下:1.提出了一种结合鲸鱼优化算法的自适应密度峰值聚类算法（WOA-DPC）。首先,利用局部密度和相对距离乘积的加权值设计了一种自动选取聚类中心的方法,避免了手动选取导致的聚类中心少选或多选的情况;其次,考虑到合理的截断距离dc是提高DPC算法聚类效果的重要因素,建立以ACC指标为目标函数的优化问题,利用鲸鱼优化算法（WOA）有效的寻优能力对目标函数进行优化,寻找出最佳的截断距离dc。最后,在人工合成数据集与真实数据集上对WOA-DPC算法进行了聚类测试,结果表明,WOA-DPC算法得到的三个聚类指标值均优于其他对比算法,在大多数数据集上都有较好的聚类表现。2.提出了一种基于加权共享近邻与累加序列的密度峰值聚类算法（DPC-WSNN）。首先,基于加权共享近邻重新定义了局部密度公式,不仅避免了截断距离dc选取不当对聚类效果的影响,而且能够有效处理不同类簇数据集分布不均的情况;其次,在原有决策值γ的基础上,生成一组γ的累加序列,将累加序列的均值作为聚类中心和非聚类中心的临界点来实现聚类中心的自动选取。最后,在16个数据集上对DPC-WSNN算法进行聚类测试,结果表明,相较于其他对比算法,DPC-WSNN算法具有更好的聚类效果。