基于快速搜索和发现密度峰值的聚类算法(简称基于密度峰值的聚类算法)是近年最热门的聚类算法之一。由于其具有可快速找到聚类中心点、可处理任意形状的数据集、所需要参数较少等优势,被应用于不同的领域,因此广受研究学者的关注,具有很高的研究价值和应用前景。然而,基于密度峰值的聚类算法存在以下缺点:对截断距离选取较为敏感,无法自动识别聚类中心,未对噪声点的影响进行提前消除,数据点分配策略存在连带错误。因此本文对基于密度峰值的聚类算法的局限性进行了创新性改进,提出了两种相应的改进算法。本文的主要工作如下:(1)针对基于密度峰值的聚类算法中距离测度的计算方法忽略数据间的相关性、对截断距离的选取敏感、无法自动识别聚类中心的问题,本文提出一种自动获取局部聚类信息的密度峰值聚类算法。首先对数据点间距离进行重新定义,利用变异系数作为加权系数,克服原始算法在计算距离测度时忽略数据点的相关性的缺陷;接着结合信息熵的相关概念对截断距离d_c进行选择,从而达到自适应获取算法最合适的截断距离值,克服了基于密度峰值的聚类算法人为选择截断距离带来的影响;然后根据得到的数据点的信息,获得数据集的局部聚类中心点集合,实现局部聚类;最后根据局部类的边界区域信息,确定潜在的待合并类对,根据一定的条件对局部类进行合并,完成整个数据集的数据聚类。在多个人造数据集和UCI真实数据集上,对本文提出的自动获取局部聚类信息的密度峰值聚类算法、基于密度峰值的聚类算法、k-均值算法和ADPC算法进行对比实验,验证了新算法的有效性和准确性。(2)针对基于密度峰值的聚类算法中在计算局部密度时没有考虑局部数据结构、没有对噪声点的影响进行提前消除、数据点分配策略存在连带错误的问题,提出了一种基于局部近邻的密度峰值聚类算法。首先利用新的局部邻域信息来计算局部密度,克服原算法未考虑局部结构信息所带来的聚类中心选取偏差问题;接着对整体算法进行改进,增加对噪声点的事先判断,减轻数据计算的工作量;最后根据新定义的局部密度,对初始的密度峰值点及弱势邻居进行定义,基于这些定义,对数据点进行整体聚类。在多个人造数据集和UCI真实数据集上,通过对基于局部近邻的密度峰值聚类算法、ADPC-KNN算法、基于密度峰值的聚类算法、近邻传播算法以及k-均值算法进行对比实验,验证了新算法的有效性和和准确性。