随着科技的发展,数据分析量剧增,数据分布越来越复杂,高纬度且数据分布复杂的数据集对基于密度聚类算法的聚类表现提出了更高的要求。基于密度聚类算法Density-based Spatial Clustering of Applications with Noise(DBSCAN)在面临不同的目标聚类被几个具有强内部关联(如线)的数据点“连接”的线性连接问题时,难以区分这种模式而倾向于将这些目标聚类识别为同一聚类,而且DBSACN固定的参数无法满足包含高维且密度不均匀聚类的数据集的聚类需求。为了提高基于密度聚类算法在复杂的数据分布中的适用性,本论文在DBSCAN算法的基础上提出了一种基于密度的自适应识别与调整的空间聚类算法(Density-based Spatial Clustering with Self-adaptive Recognition and Adjustment,简称为SRA-DBSCAN),该算法由数据块拆分器、数据块合并器、局部聚类模块和全局聚类模块配合来获得具备适应性的聚类结果。SRA-DBSCAN首先执行自顶向下的过程,数据块拆分器使用基于信息熵的方式自适应识别分块的阈值和维度,将原始数据集拆分为一组数据块,然后在每个数据块内部执行具有两阶段自适应参数调整能力的局部聚类。为了获得最终的聚类结果,SRA-DBSCAN执行了自下而上的全局聚类过程,利用递归的方式对数据块拆分树进行回溯,其中数据块合并器在全局聚类过程中被用于合并不同数据块中相关的多个局部聚类结果。在多种类型线性连接和固定参数问题同时存在的复杂数据分布的人工数据集上的实验以及多个真实数据集中的实验表明本论文提出的SRA-DBSCAN算法具有自适应识别和调整能力,可以识别数据集内部明显的目标聚类间的边界或目标聚类间的薄弱连接点(线性连接)并在数据块内部自适应调整输入参数,降低算法对输入参数的敏感性,解决了复杂数据分布数据集中的线性连接问题和固定参数问题,在准确率、精确率、召回率和F1-score的多个评估指标上的综合表现明显优于多个对比算法,适用于基于密度聚类算法在高纬度且数据分布复杂的数据分析需求。