密度峰值聚类算法是一种基于密度划分的聚类算法,与传统的聚类算法相比具有简单高效、对噪声不敏感、能准确找出聚类中心以及快速分配样本点等优势,近些年广受研究人员的关注。但其本身也存在一定的缺陷,本文针对密度峰值聚类算法在计算局部密度时没有考虑数据集内部结构差异、聚类中心无法自适应、分配样本点时存在的多米诺骨牌效应以及求解局部密度和相对距离时的时间复杂度较高等问题,提出了一系列的改进措施。针对现有密度峰值聚类算法存在的聚类中心无法自适应的问题,提出了一种聚类中心自适应的密度峰值聚类算法。该算法通过引入相对密度的概念,剔除数据集中的离群点,选出核心点和潜在聚类中心,以此判断潜在聚类中心之间的连通性,进而实现聚类中心的自适应。同时针对现有密度峰值聚类算法在聚类过程中因为一个点分配错误而引发多米诺骨牌效应,进而导致后续点的聚类结果不理想的问题,提出一种基于最小生成树的密度峰值聚类算法。首先确定聚类中心和核心点,通过核心点确定最小生成树的顶点。然后计算所有顶点之间的欧氏距离,并将其看作最小生成树的边的权值。以任意一个聚类中心为起点,利用Prim算法构建最小生成树,进而完成聚类。本算法解决了聚类过程中因为一个点分配错误而引发多米诺骨牌效应,导致后续样本点均分配错误的问题。经过实验验证,本算法能有效解决传统密度峰值聚类算法的聚类中心无法自适应以及多米诺骨牌效应等问题。针对密度峰值聚类算法在求解截断距离、局部密度以及相对距离等参数时的时间复杂度较高等问题,提出了基于网格筛选的密度峰值聚类算法。将网格的概念引入到该算法中,首先根据指定的参数将数据集划分为多个等宽的网格单元。然后将网格划分为原始分组、二级分组和三级分组,减少计算样本点局部密度和相对距离时参与计算的样本点数量,进而降低时间复杂度。经过实验验证,相较于传统密度峰值聚类算法,本算法在尽可能不影响聚类效果的前提下有效地提高了计算速度。