密度聚类被广泛用于模式识别、信息检索、图像分析、复杂网络分析等众多领域来识别真实世界数据集的隐藏结构。目前的密度峰算法往往只能处理结构化的完整数据,很多情况下表现不佳。其一,现实世界中的数据往往存在缺失或错误值,对于这样的不完整数据集,目前的处理方法是进行数据插补,然后采用传统聚类方法进行处理,这样导致精度下降,并且插补后的点的‘聚集现象’可能导致密度峰聚类失效。其二,对于更常见的半结构化数据,往往建模为复杂网络。社区挖掘是一种发现复杂网络隐藏结构和功能的重要技术,采用聚类算法来处理社区挖掘问题的做法由来已久。目前社区挖掘研究主要集中在同质网络,异质网络研究较少。本论文将密度峰聚类算法与以上两种问题场景相结合,研究基于密度峰算法的不完整数据聚类和异质网络社区挖掘。本文主要贡献包括以下几个方面:·通过实验验证分析密度峰聚类算法的缺陷,研究了采用密度峰算法解决不完整数据聚类的难点,以及采用密度峰算法解决异质信息网络社区挖掘的难点。·针对不完整数据场景,本文发现了被插补点的‘聚集现象’,即被插补点的聚集将影响密度峰算法的决策,误导算法选择错误的聚类中心,从而导致聚类效果差。本文提出了将聚类与分类相结合解决聚类问题的思想,基于此思想设计了DPC-INCOM算法,擅长处理任意形状的不完整数据集聚类,在九个基准数据集上的实验表明,DPC-INCOM算法聚类表现更稳定,算法精度比基于插补的算法提高了至多达39.3%。·针对异质网络社区挖掘,已经有文献将密度峰算法与同质网络结合,提出的算法比其他同质图社区挖掘算法更具优势。本文将密度峰算法与异质网络社区挖掘结合,以期获得同样优势,我们提出了DPC-HIN算法,设计了基于加权元路径的节点相似性计算方法,通过实验证明了多元路径的优势,设计了异质网络中的局部密度和最小距离计算方法,通过社区合并和邻居向量重新调整部分节点的社区标签,进一步提高社区挖掘质量。在四个真实异质信息网络数据集上的实验结果证明了DPC-HIN算法的有效性。