近年来,随着数据科学的不断进步,各种类型的数据量也越来越多。如何发现不同行业中的数据特点,并对各行业数据信息进行快速高效挖掘成为了目前亟待解决的问题之一。传统的聚类方法在处理企业大数据时具有局限性。本研究在解决消费型企业大数据的过拟合问题中,提出了划分聚类算法与树模型算法进行融合的方法来解决过拟合问题;以及在解决工业型企业大数据的精度问题中,提出将密度聚类与树模型算法进行融合的方法来提高结果的精度。本文的主要研究成果如下:（1）针对消费型企业大数据分类过程中的过拟合问题,提出了一种基于Kmeans聚类的XGBoost基分类器集成算法。XGBoost算法精度高,存在过拟合问题,聚类算法精度不高,但不会出现过拟合问题,所以本文结合两种算法的优势,进行算法融合。对所提出的算法应用在消费型企业大数据上,进行深入的研究与验证,并与现有算法进行比较。实验结果显示,提出的算法有效的解决了消费型企业大数据分类过程中的过拟合问题。（2）针对工业型企业大数据分类结果精度不高问题,提出了一种基于OPTICS聚类与XGBoost算法融合的方法。首先,对原始数据进行基本面分析。然后,利用密度聚类对数据进行聚类。最后,利用XGBoost算法对聚类结果预测并分析结果。本文对所提出的密度算法与XGBoost算法融合的方法应用在工业型大数据上,进行进一步研究与验证。实验结果表明,提出的算法对工业型大数据上分类结果精度有一定的提升。本文所提出的基于聚类算法的企业大数据分类过程中的过拟合问题与精度不高问题,能有效地提高传统分类算法的决策能力和计算效率,为大数据的分析和处理提供了一种新颖的解决途径。