聚类分析作为一种常用的数据挖掘技术被人们熟知,它根据数据对象之间的相似性将其划分至不同的组或簇。随着聚类分析的不断发展,越来越多的聚类算法被提出,与其他类型的聚类算法相比,基于密度的聚类算法不仅可以有效地区分噪声对象和非噪声对象,而且可以识别任意形状的类簇。因此,该类算法成为了聚类分析领域中的一个研究热点。基于密度的聚类算法将数据对象的密度信息作为聚类的重要依据。随着数据集规模以及维度的不断增加,数据集的分布变得错综复杂,数据对象的密度信息也越来越难获得,进而导致传统的密度聚类算法的性能逐渐下降。基于以上问题,本文以提升算法的聚类效率和扩大算法的适用范围为目标,对基于密度的聚类算法进行了研究与改进。首先,本文提出了一种基于网格节点和密度估计的聚类算法。该算法将数据对象的局部密度计算转换为网格节点的局部密度计算,缩短了算法的运行时间,提升了密度聚类算法的聚类效率,从而使该类算法可以更好地适用于较大规模的数据集。在该算法中,需要通过网格划分、网格节点的密度计算以及网格节点的聚类三个步骤来获得最终的类簇结果。在本文提出的算法中,聚类中心和边界节点的定义均基于网格节点的相对密度值,不需要使用局部或全局阈值,因此减少了由于不恰当的阈值对聚类结果带来的影响。其次,本文提出了一种基于极大团的密度聚类算法。该算法利用极大团来衡量数据对象之间的相关性并将其作为聚类的主要对象,它不仅考虑了数据对象与其近邻对象之间的相关关系,而且将这些近邻对象之间的相关关系也作为衡量数据对象之间是否相似的标准。在本文提出的算法中,主要包括了三个步骤:寻找极大团、合并极大团以及分配剩余数据对象。在合并极大团时,该算法结合两种相似度计算方式对极大团之间的相似度进行了计算,改进了传统的密度聚类算法在复杂数据集中因为数据对象之间的相关性被刻画的不准确而带来的问题,进而提升了该类算法对复杂数据的处理能力,扩大了该类算法的适用范围。最后,通过不同数据集上的实验结果可以发现,本文提出的基于网格节点和密度估计的聚类算法不仅可以有效地缩短基于密度的聚类算法的运行时间,而且该算法在大多数数据集上的聚类结果均可以达到或优于近年来比较优异的密度聚类算法DPC。除此之外,本文提出的基于极大团的密度聚类算法在处理较为复杂的数据集时,其聚类结果明显优于传统的密度聚类算法。