Affinity propagation(A P)算法是一种高效率的聚类算法。其运行时间比典型的k-中心聚类算法要少得多，聚类效果也显著提高。但是AP算法是一种无监督学习的聚类算法，它的缺点是不能学习先验知识和只能前向传递消息。因此针对上述问题提出了两个AP改进算法。　　第一个改进算法是基于先验的聚类中心点的AP改进算法。目的是让AP算法在进行聚类之前可以利用先验的聚类中心点。改进方法是首先将原来AP算法的消息传递网络分成两部分，一部分是没有聚类中心的部分，称为无先验知识的部分。另一部分是由聚类中心点组成，称为有先验知识的部分。然后在这两个部分中利用CAP算法改进消息传递函数，使得消息传递在两个部分之间和在每一部分之内很好的进行。　　最为了验证所改进的算法的聚类效果，作者做了2D模拟数据对比实验，简单人脸识别对比实验，和生物实验数据的分析实验。通过这三个实验结果的对比得出，改进算法的确要比原来的AP算法的聚类效果要好。　　第二个改进算法是基于后向消息传递的改进算法。目的是让原有的AP算法在前向消息传递算法的基础上再加上后向消息传递来提高算法的效率。改进方法是首先在原有的二维消息传递网络中增加一个后向消息传递节点函数，让这个节点函数专门负责产生和处理后向消息。然后在每一次消息的迭代时，使得每一次消息迭代的效率增大。　　为了验证所改进的算法的聚类效果，做了聚类迭代次数对比实验，北美航班的航线聚类实验，AP, CAP和BAP算法的性能比较实验。这三个实验的结果表明，这个改进算法比原AP算法所需的迭代次数要少的多，也比原AP算法的聚类效果要好。