海量数据的增长使得有用信息和知识的获取变得更加困难，作为一种能自动、智能地将待处理数据转换成有用信息和知识的数据处理、分析技术，数据挖掘已经在各行各业的知识发现和数据分析过程中得到了广泛地应用。　　聚类分析是数据挖掘中的一个重要技术手段，它通过发现数据集的分布模式和对象间的有趣相关，从而将数据集分组为由类似对象组成的多个簇。其中，著名的基于密度聚类算法通过数据对象的密度扩展，能够从带有噪声的数据集中发现任意形状的簇。但随着各种复杂类型数据集的涌现，使得基于密度聚类在提高数据集的适应性和聚类结果的准确性等方面面临着巨大的挑战。　　DBSCAN是典型的基于密度聚类算法，它能够发现任意形状、大小分布的簇，且具有较强的抗噪声能力；但由于其输入参数强烈依赖于领域知识，极大地降低了其易用性，尤其对于非均匀密度分布的数据集，全局固定参数的采用严重地影响了聚类结果的准确性。针对DBSCAN算法的缺点，本文提出了一种基于密度层次划分的DBSCAN聚类算法，DBSCAN-DLP。该算法的基本思想是：用k近邻距离作为密度度量对数据集按密度大小排序，根据数据集密度分布的统计信息计算出密度层次跳变阈值，由该阈值划分数据集得到能体现不同密度水平的代表集；再对每个代表集进行Eps参数估计；最后在每个代表集上采用局部DBSCAN聚类，并合并局部聚类结果。对比实验结果表明，该算法在聚类准确性方面优于传统的DBSCAN算法。　　另外，针对具有较大密度分布差异的代表集，为了进一步提高局部聚类质量，本文给出了邻域半径动态调整的局部 DBSCAN算法，LDBSCAN-EA，替代DBSCAN-DLP中原有的局部聚类方法。LDBSCAN-EA算法根据邻居对象与当前核心对象的密度比值对邻域半径进行动态调整，以适应局部的密度变化。最后，对比实验结果表明，相比原有的局部聚类方法，LDBSCAN-EA算法更能适应代表集内的密度分布差异，进一步提高了DBSCAN-DLP算法对非均匀数据集的聚类质量。