数据挖掘在大数据时代是一个关键性技术,聚类算法在数据挖掘领域举足轻重,因此对聚类算法的研究和应用具有理论和实践意义。本文以吸引子传播（Affinity Propagation,AP）聚类算法的深入研究为主要研究方向,针对AP聚类算法难以确定参考度,分别从算法思想、群体智能、密度聚合和领域交叉的角度进行了若干理论改进和应用研究,具体内容包括:（1）提出了基于近邻点整合的加权相似度吸引子传播（Integration Neighbor Points-Based Weighted Similarity Affinity Propagation,IW-AP）聚类算法。将近邻点以类中心点为基准进行整合,使邻近数据点的信息合并重整,扩大了搜索有用信息的范围,并用加权相似度替换传统吸引子传播聚类算法中的参考度,使参考度更具代表性。通过仿真模拟实验结果表明,本文提出的改进算法聚类精度与原始算法相比具有显著提升。（2）提出了基于鸡群优化的吸引子传播（Chicken Swarm Optimization-based Affinity Propagation,CSO-AP）聚类算法。引入sil评价指标作为鸡群优化算法中的适应度值,通过鸡群优化的方法,对AP算法中随机给定的参考度进行迭代,多次迭代后将鸡群最佳位置赋予AP算法中的参考度,完成优化。通过仿真模拟实验结果表明,本文提出的改进算法聚类结果优于原始算法。通过将CSO-AP应用于34家酒店旅游公司,对财务数据聚类的良好结果表明该算法具有一定的实践能力。（3）提出了基于密度聚合的吸引子传播（Density Aggregation-based Affinity Propagation Clustering Algorithm,DA-AP）聚类算法。将AP算法聚类后得出的聚类中心作为新的数据,利用DBSCAN聚类算法的思想将高密度的临近点聚合为新的簇,更新所有样本点的类标签,无需调试参考度的值。通过仿真模拟实验结果表明,本文提出的改进算法较原AP聚类算法聚类精度高、对流型数据处理效果更佳。通过将DA-AP聚类算法应用于外汇市场,33条热门汇率良好的聚类效果反应了DA-AP聚类算法的实用性。（4）提出了基于注意力机制的吸引子传播（Attention-based Affinity Propagation,AttnAP）聚类算法。吸收注意力机制中Soft Attention模型的原理,筛选出需要重点关注的核心样本点,获取相似度矩阵,优化参考度使其取值更加适用于数据集。通过仿真模拟实验结果表明,本文提出的改进算法相对于原始AP聚类算法聚类结果更佳。通过将AttnAP聚类算法应用于5G概念股,47支股票数据具有特征性的聚类结果表明AttnAP聚类算法具有实际应用能力。