聚类分析是数据挖掘的主流技术之一,聚类算法具有“多样性”与“针对性”等特点。多样性是指算法种类繁多,针对性是指算法的应用场景有针对性。按照不同的度量标准,聚类算法主要可以划分为以下几个类型:划分聚类、层次聚类、密度聚类、网格聚类、模型聚类等。密度峰值聚类算法是一种高效的密度聚类算法。本文针对密度峰值聚类算法的缺陷进行了研究与分析,并提出了两种改进算法,主要成果如下:(1)针对密度峰值聚类算法会把异常点分配给离它最近的簇,通过二维决策图检测簇数不准确的问题,提出了一种基于引力理论的密度峰值聚类算法,将万有引力理论应用于密度峰值聚类算法,以增强其检测异常的能力,通过万有引力理论优化决策图,以参数重力的倒数来代替距离作为决策图的纵坐标,使其具有准确识别异常和质心的能力。(2)针对单个聚类包含多个密度峰值,密度峰值聚类算法将每个不同密度峰值视为潜在聚类中心,难以在数据集中确定正确数量聚类的问题,提出了基于CURE的混合密度峰值聚类算法。首先,找到密度峰值作为初始簇中心,划分数据集为子簇;然后,借鉴层次聚类算法CURE(Clustering Using Representative),从子簇中选取分散的代表点,对拥有最小距离的代表点对的类进行合并,引入参数收缩因子,控制类的形状。本文提出的两种算法与原始密度峰值聚类算法和其他经典聚类算法分别在合成数据集和UCI数据集上进行了聚类比较和分析,根据实验结果可知,在处理各种类型数据集时,本文提出的改进算法与原始密度峰值聚类算法及其他经典聚类算法相比,可以具备识别任意形状,不同大小,不同密度类簇的能力,可以准确识别簇数,并且检测异常。聚类效果较好。