2014年,意大利学者Alex Rodriguez等人提出了一种新的聚类算法——密度峰值聚类算法（Clustering by Fast Search and Find of Density Peaks）,简称 DPC。该算法只需输入一个参数,就能够对各种类型的数据集进行聚类,并且能够剔除噪声数据的影响,取得了较好的聚类效果。自从该算法提出以来,受到了国内外学者的广泛关注。虽然DPC算法已经成为被广泛接受的聚类算法,但该算法仍然存在许多不足:（1）算法时间复杂度较高,对较大规模数据集的聚类效果不理想。（2）聚类过程不是自适应的,无法根据数据集自动调整参数。（3）聚类准确性容易受到数据结构的影响,会导致许多簇的丢失、“假峰”和“无峰值”现象的出现。（4）高维复杂数据集适用性差,由于高维数据集中含有许多不相关变量,算法没有对这些变量进行处理,就会对聚类效果产生一定的影响。针对这些问题,本文对DPC算法进行了深入研究,对其存在的问题进行了改进,提出了优化的改进算法,具体的研究内容和研究结果如下:1.提出了一种结合密度比和系统演化的密度峰值聚类算法（DS-DPC）。首先,利用自然最近邻搜索得出各样本点的邻居数目,根据密度比思想改进密度计算公式,使其能够反映周围样本的分布情况;其次,对局部密度与相对距离的乘积进行降序排列,选出合适的聚类中心,将剩余样本按照DPC算法的分配策略进行聚类,避免了手动选择聚类中心的主观性;最后,利用系统演化方法判断聚类结果是否需要合并或分离。通过在多个数据集上进行实验,并与其他聚类算法进行比较,实验结果表明,DS-DPC算法具有较好的聚类效果。2.提出了一种领域密度调整的密度峰值聚类算法（DPC-DDA）。首先,利用样本领域内的密度差度量样本之间的相似性,更准确的反映周围样本的差异;其次,用密度敏感距离代替欧氏距离,计算出的距离会使不同类簇之间的样本距离较大,同一类簇中的样本距离较小;最后,将样本的类内类外划分指标作为聚类有效性指标来确定聚类中心。通过在多个数据集上进行实验,并与DPC算法和其他基于密度的聚类算法DBSCAN、OPTICS、FKNN-DPC、SNN-DPC算法进行比较,实验结果表明,DPC-DDA算法在大多数数据集上的聚类效果有所提高。