数据挖掘的目的是从大量的数据中提取出或发现某些人们原先不知道且有价值的信息,聚类分析作为数据挖掘中最重要的技术之一,受到相关领域的广泛关注,经过多年发展,聚类分析技术取得了丰硕的研究成果,广泛应用在生物学、市场分析、信息分析、模式识别、图像检测、字符检测、统计学等领域。K-means算法作为聚类分析最为经典的一个算法,凭借其算法简单、时间复杂度低的特点得到了广泛应用和研究。但是由于K-means算法采用单一的聚类中心描述一个类簇,因此一般无法有效适用于任意形状簇。针对采用单一聚类中心只能描述球状簇的缺陷,CURE,DBSCAN等算法采用多个代表点(或中心点)描述一个任意形状的簇。近年来,也有学者提出了对任意形状数据集采取分割、合并的思想,取得了良好的效果。本文在研究K-means算法以及初始聚类中心选取算法的基础上,考虑将数据集中较大或延伸状的簇分割成若干球状簇,以使基于划分的方法能够适应任意形状的数据对象。提出了一种基于局部密度及连通点的多中心聚类算法(IMCCA),该算法首先通过一种基于局部密度的聚类中心选取算法选取一组聚类中心,这些聚类中心具备一定代表性且均匀分布在高密度区域,作为分割较大、任意形状簇的中心；之后通过两簇之间的连通点数量描述分割成的小簇之间的连通性,通过连通性强弱合并小簇。实验证明,基于局部密度的聚类中心选取算法能够获取正确的聚类中心,且对参数dc不敏感,IMCCA算法能有效适应任意形状、大小不一、密度不均匀、具有噪声点的数据集。