随着大数据时代的兴起,人工智能这个概念越来越频繁地出现在人们视野中,不仅仅电视电影等艺术作品有所提及,现实生活中也出现了它的身影。因此人们对机器学习算法的兴趣与日俱增,数据挖掘等领域受到得了前所未有的关注。作为重要的数据挖掘任务之一的聚类算法,承担了探索数据内部结构、从大量多媒体数据中精炼出信息的重任。在半监督学习算法领域,尽管已经提出了很多能提升算法性能、准确性等的方法,但是它们大部分仍然在数据结构的假设和参数的设置上极具敏感性。针对这些问题,这篇论文提出了一种基于数据中多重密度信息的自适应的半监督聚类算法。该算法的主要工作如下:第一,通过对数据集的探索,提出了一种能自动获取多个密度标准的方法,并使用多个密度标准对数据集进行衡量;第二,依据半监督学习的基础理论假设,提出了合理的方法,对上一部中多个密度标准衡量所得的结果,进行整合;第三,使用人造二位数据,验证算法在不同数据结构假设下的表现情况;第四,使用UCI数据集对算法的有效性进行验证。最终得出结论,本文提出的方法在不需要知道簇的数量的前提下,就能自适应地对具有不同大小、不同形状、不同密度等复杂结构的数据集进行聚类,并获得一个不错的聚类结果。并且,这个过程能识别出数据集中的噪声数据,算法对噪声数据不敏感。