聚类算法是数据分析中的一项重要技术,它在各个研究领域中都有着广泛的应用。简单的来说,聚类算法就是对数据自身的属性进行分析,然后根据属性之间的相似度关系将它们划分为多个簇类,使得簇内数据对象之间的相似度关系尽可能大,簇与簇的数据对象之间相似度关系尽可能小。本文着重研究了密度聚类算法,并针对它的一些问题提出改进算法,将改进后的算法应用到电影推荐当中,不仅减少了算法的计算量,还提升了推荐性能。具体的研究内容如下:（1）针对密度聚类算法效率低下的问题,本文提出了一种基于三角不等式与密度聚类算法相结合的T-DBSCAN算法。利用三角不等式与密度聚类相结合的方法,将数据的核心点、邻域对象与未标记的数据对象构建三角形,再利用三角不等式原理对未标记的数据对象进行判断,观察其是否属于邻域对象,并进行标记。重复此步骤,直到所有的数据对象均被标记,算法结束。所提算法通过减少重复计算次数,来提高算法的效率。在人工数据集与UCI数据集上的实验结果表明,在保证了正确率与DBSCAN算法相同的情况下,缩短了计算时间。（2）针对密度聚类算法对参数依赖性大的问题,本文提出了一种基于自然最近邻居的K-平均密度聚类算法NK-DBSCAN。该算法首先利用自然最近邻居获得数据集的自然平均最近邻个数,将其看作K值（最近邻个数）。然后计算每个数据对象与第K个最近邻居的距离,并求出平均值,得到数据对象与K个最近邻居的平均距离,将其作为邻域半径Eps,将Eps代入数学期望公式得到阈值Min Pts。所提算法无需人为设置参数的值,同时还能保证算法的准确性。实验结果表明,在所提算法确定参数值的情况下,聚类结果较好。（3）本文提出NK-DBSCAN聚类与协同过滤相结合的推荐算法,该算法首先将用户数据分为多个簇类,然后在各个簇类中构建用户-评分矩阵进行协同过滤推荐,这样就减少了计算量,从而提升了推荐的效率。本文选用公用电影数据集Movie Lens进行对比实验,结果表明所提算法不仅提高了推荐效率,还解决了冷启动的问题。