密度峰值聚类算法（Density Peak Clustering Algorithm,DPC）是一种基于密度的新型高效聚类算法,该算法凭借其原理简单、高效快速的聚类过程被广泛应用于各个领域。然而,国内外专家学者在应用中发现DPC算法也存在不可忽视的问题:（1）DPC算法的聚类结果容易受到参数截断距离的影响,而截断距离的选取需要人为设定;（2）样本点的局部密度和距离度量方式存在弊端,只考虑了距离因素,忽视了数据的结构特征;（3）DPC算法的非聚类中心容错能力差。本文针对DPC算法存在的问题进行了钻研,并对其进行了优化,具体的研究内容如下:（1）提出了一种结合共享近邻和共享逆近邻的密度峰聚类算法。首先,该算法利用样本点的共享近邻和共享逆近邻构造新的相似性计算方式;然后,重新定义了局部密度度量方式,能更准确反映数据的局部特征和内在联系,找到准确的聚类中心,同时避免了参数截断距离的选择问题;最后,提出了新的非聚类中心分配策略,能有效避免样本点被错误分配时导致进一步的错误。实验结果表明:与其他算法相比,本文算法可以处理更多类型的数据集,整体上具有理想的聚类效果。（2）提出了基于自适应近邻参数的密度峰聚类算法。为了克服DPC算法中的一些不足,引入了近邻的思想,导致改进的DPC算法需要人为设定近邻参数。本文为了解决基于共享最近邻的快速密度峰搜索聚类算法（Shared-nearest-neighbor-based clustering by fast search and find of density peaks,SNNDPC）需要手工输入近邻参数k的问题,基于互为近邻的概念,提出了一种近邻参数搜索算法,能自适应得到近邻参数k。另外,本文还提出了代表点的概念,以及代表点分配策略,能较好地分配簇边缘区域的样本点,同时避免了样本点被错误分配时导致进一步错误。实验结果表明:所提算法不仅保留了SNNDPC算法能准确找到聚类中心、抗噪能力强、在分布不均衡和任意形状的数据集上具有较好的聚类结果等优点,还可以自适应确定近邻参数k。