大数据时代的来临,使大数据分析成为金融等行业竞争发展的变革点,金融数据挖掘作为金融数据分析与处理的重要技术,目前已经成为国内外研究的热点。聚类是数据挖掘的关键技术之一,是本论文聚焦数据挖掘研究的重要手段。本文以密度峰值聚类算法(Clustering By Fast Search And Find Density Peak,DPC)和基于密度的空间聚类算法(Density-Based Spatial Clustering,DBSCAN)的深入研究为主要研究方向。针对基于密度的聚类算法进行了若干理论改进和应用研究,具体内容包括:(1)针对密度峰值聚类算法,局部密度计算方法不能很好地反映局部密度样本间相似度差异,不易处理复杂数据集的问题,提出了基于相似性度量方法的密度峰值聚类(Density Peak Clustering Algorithm Based on Similarity Method,GOA-DPC)算法。鉴于蚱蜢优化算法具有较优的全局搜索能力,将其引入到密度峰值聚类算法中。通过仿真模拟实验结果表明,本文提出的改进算法能够有效处理结构复杂的球形数据,在处理高维特征的数据时具有快速、有效处理噪声点和聚类精度高等优点。(2)针对改进halo点识别方法的密度峰值聚类算法识别出的halo点无法得到有效地分配的问题,提出了一种基于K最近邻理论的密度峰值halo点分配(Assignment Method on Halo for Density Peak Clustering Based on KNN Theory,KNN-HDPC)算法。仿真模拟实验结果表明,本文提出的算法在处理复杂数据时具有能够清晰地观测出halo点和类别点之间潜在关系和聚类效果好等优点。(3)针对提出的KNN-HDPC算法需要经过多次手动输入截断距离参数寻找最优聚类结果的问题,鉴于布谷鸟算法具有优秀的全局搜索能力,提出了基于布谷鸟优化的KNN-Halo点密度峰值聚类(K-Nearest Neighbor Halo Node Assignment Method for Density Peak Clustering Algorithm Based on Cuckoo Search Algorithm,CS-KHDPC)算法。通过仿真模拟实验结果表明,本文提出的算法具有能够快速找到最优的截断距离和最佳聚类结果等优点。(4)针对基于密度的空间聚类算法聚类半径Eps需要手动设置且很难得到有效聚类结果的问题,鉴于郊狼优化算法具有优秀的全局寻优策略,提出了基于郊狼优化的密度空间聚类(Density Spatial Clustering Based on Coyote Optimization Algorithm,COA-DBSCAN)算法。通过仿真模拟实验结果表明,本文提出的算法具有可以自适应地找到最佳的聚类半径和最优聚类效果等优点。