随着物联网、电子商务和社会化网络在全世界范围内的快速普及,全世界数据的储量呈爆发式地增长,世界正在向数字化世界转变。数据挖掘就是研究如何有效地将这些看似毫无关系的海量数据中隐含的、新颖的、能被人们理解并且加以利用的知识提取出来的一门综合学科。聚类作为构成数据挖掘的重要部分,它是将没有附加任何簇标签的数据集分割成几个子集,使得每个子集内分配的数据对象更加相像,其中任何子集间分配的数据对象之间区别更大的工具。聚类分析在人文科学,医学和我们日常生活的多个领域中都得到了成功应用。本文通过对聚类分析的相关基础理论和当今常用的聚类算法的分析与研究,发现部分聚类算法仍旧存在某些缺陷,并提出了解决相应缺陷的方案。本文进行研究的内容和取得的相应成果如下:(1)提出了一种基于自然最近邻与最短路径的密度峰值聚类算法。由于DPC(Clustering by fast search and find of density peaks)算法在对数据对象的局部密度进行计算之前需要研究人员凭借经验设置截止距离,本文依据自然最近邻无需研究人员设置参数的特点,将其引入到数据对象的局部密度计算中,在一定程度上增强了该算法的客观性。DPC算法在簇间密度差异大、具有流形等复杂结构的数据集上,由于计算数据对象间距离的度量公式过于简单且分配数据对象的策略不健全,导致最后的聚类效果不理想,本文首先根据自然最近邻算法构建的反向自然邻居邻域图和最短路径设计新的距离度量方法,然后结合自然最近邻提出分割点的定义以确定相连簇的边界并设计新的分配策略。我们对本文提出的新算法进行实验并进行结果分析后,发现其在多个数据集上都达到了比较理想的聚类效果。(2)针对当今大多数聚类算法在处理不同数据集时需要研究人员凭借经验设置不同参数的情况,本文提出了一种基于局部代表点和最短路径的全自动聚类算法。通过定义一种自动判断局部代表点之间是否存在分割点的方式,将所有数据对象根据其自然最近邻构建的反向自然最近邻域图分割成若干子图。新算法首先计算整个数据集中数据对象的局部密度ρ和supk个最近邻居;并根据所得的局部密度ρ和supk个最近邻居求出整个数据集的局部代表点LR;然后在反向自然最近领域图中求得局部代表点之间的最短路径,依据定义的分割点判断公式求得所有的分割点DivideP;接下来将所有的分割点从反向自然最近领域图中删除;最后将在修改后的反向自然最近邻域图中相互连通的所有数据对象划分为一个簇,得到最终的聚类结果。我们对本文提出的算法进行实验并在进行结果分析后,其在降低人为因素干扰的同时取得了较理想的聚类质量。