聚类是一种有效的数据挖掘和文本挖掘方法。进一步改进聚类算法,提高聚类的性能,使其更加适合数据和文本挖掘技术的要求,具有重要的理论和实践意义。本文对聚类算法中涉及代表点的密度聚类和层次聚类的问题进行了深入研究,提出了基于代表点和密度的聚类方法和基于代表点的文本层次聚类方法,主要包括以下两个内容:提出一种新的高效的基于代表点和密度的聚类方法。该方法首先寻找可以反映数据空间的几何特征的代表点,然后计算每个代表点的密度,再按照本文提出的一种新的距离公式计算每两个代表点之间的距离。距离值最小的两个代表点为邻接代表点,用无向图来描述生成的代表点集,并利用图的广度优先搜索算法将处于同一连通子图中的代表点找出来,从而得到聚类结果。其中新的距离公式考虑到代表点的密度和它们之间的距离同样重要,故将密度信息加入到距离计算之中,从而使聚类结果更加精确。与传统的数据聚类方法相比,该方法无需预先给出类的个数,只需一个密度阈值e,参数设置非常简单且对聚类结果影响很小;算法运行效率高,具有近线性时间复杂度,可适用于大规模及高维属性的数据聚类问题。提出一种新的文本聚类方法,基于代表点的文本层次聚类方法。该方法采用划分的方法将数据分成原子簇,然后在数量大为减少的原子簇集上,实行自底向上的层次聚类得到最终的聚类结果。与传统的文本聚类方法相比,该方法不仅大大加快了文本聚类的速度,而且能够识别任意形状和大小的类,并过滤噪声数据,更适合于高维文本向量的聚类。