随着现在信息技术和计算机的发展,产生的海量数据成为了一种关键的资源,从中发现有利用意义的隐含内容非常关键。聚类能够在没有类别标记的前提下发现数据内部的关系。密度峰值聚类算法(Clustering by fast search and find of density peaks,DPC)原理易懂、便于操作、聚类准确性高,但是仍然具有一定的缺陷,因此本文提出了DPC算法的两种改进方法并对其聚类效果进行了验证。本文首先讲述了DPC算法的原理、优点与缺陷。DPC算法所定义的中心点的局部密度值较高并远离较该点密度更高的样本。然而算法的重要参数截止距离需要用户根据经验值来设置,并且需要手动选择聚类中心,这为聚类结果带来了很大的不稳定因素。其次,提出一种结合K近邻(k-Nearest Neighbor,KNN)的改进型自适应密度峰值聚类算法(KNN-DPC)。根据KNN的算法原理,给出了密度和与密度更高点的相似性的新的计算方式。同时,利用聚类中心的局部密度与到密度更高的样本的相似性的乘积大于其他非中心数据的思想,自适应的选择聚类中心。再次,提出一种基于自调节步长果蝇优化(self-adjusting step size fruit fly optimization,SFO)的自适应密度峰值聚类算法(SFODPC)。将SFO用于计算DPC算法的重要参数截止距离。SFO算法提高了果蝇优化算法(FOA)跳出局部最优的能力并加快了其计算速度。将其用于DPC的参数计算有效解决了DPC算法参数设置的难题,并提高了准确率。最后,本文采用常用于聚类算法评价的5种人工和5种真实的标准数据集对KNN-DPC和SFO-DPC进行对比实验测试,并建立了基于SFO-DPC的三维沥青路面裂缝检测系统,利用SFO-DPC算法对Gocator3100智能扫描仪采集的沥青路面三维数据进行聚类分析。实验结果表明,本文提出的KNN-DPC和SFO-DPC在解决了DPC算法参数设置和确定中心点的缺陷的同时,提高了算法的效率与准确率。本文提出的SFO-DPC裂缝识别系统能够精确高效地检测沥青路面裂缝。