随着科学技术的发展,人类社会逐渐从工业化时代过渡到信息化时代,挖掘信息中隐藏的价值成为学术界的研究重点。聚类技术作为数据挖掘的重要工具,能够从海量数据中获取有价值的信息,因此成为当下人工智能领域的研究热点。目前,密度峰值聚类（Density Peaks Clustering,DPC）算法和基于密度带有噪声的空间聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）算法作为无监督学习类算法,在聚类技术中占有重要地位。然而,这两种算法在聚类性能上仍然具有一定的局限性:（1）DPC算法不能准确识别异常点,总是将异常点归类到簇类中;（2）DPC算法在处理非凸数据集时表现不佳;（3）DPC算法需要手动选取聚类中心点,对算法的客观性和准确性产生负面影响;（4）DBSCAN算法需要人工选取距离阈值Eps,降低了聚类结果的准确性。针对上述问题,本文提出相应的改进方案并将改进后算法应用于股票评估中:（1）针对密度峰值聚类算法不能准确识别异常点以及对非凸数据集聚类效果不佳的问题,提出一种基于基尼系数的密度峰值聚类（A Novel Gini Index-based Density Peaks Clustering,GIDPC）算法。该算法引入基尼系数思想原理重新定义数据点的局部密度计算方式,为聚类中心的识别提供了更好的决策图,同时设定合理的异常点识别阈值以及异常点分配方式,实现对包含各种数据分布模式的数据集的更好处理。然而,该算法继承了DPC算法需要手动选取聚类中心点的缺陷。（2）针对基于密度带有噪声的空间聚类算法需要人工选取距离阈值Eps的问题,提出一种基于鸟群优化的自适应密度带有噪声的空间聚类（A Novel Adaptive Density-Based Spatial Clustering of Applications with Noise Based on Bird Swarm Optimization,BSA-DBSCAN）算法。该算法通过利用鸟群优化算法的全局搜索能力自适应扫描参数空间,输出最佳距离阈值Eps,实现参数选取的自适应。（3）针对GIDPC算法需要手动选取聚类中心点的问题,提出二阶段集成自动聚类（Two-Stage Integrated Automatic Clustering,TSIAC）算法。该算法利用BSA-DBSCAN算法在输入合适的参数值时能够自动获取数据集真实簇类数目的能力,为GIDPC算法选取聚类中心提供依据。同时引入聚类中心自动选取机制,无需手动选取聚类中心,即可输出聚类结果,实现算法的自动聚类。（4）最后,拓展本文改进算法的应用领域,将改进算法应用于股票成长能力评估中。实验结果表明,改进后的算法能够依据股票特征较精确地对股票进行聚类,以评估股票情况,为股票投资者提供了有价值的参考,在实际应用领域具有一定的潜力。