作为一种最近提出的基于密度的聚类算法,密度峰值聚类算法(DPC)受到了研究者们广泛的关注。它基于两个简单的假设,在许多合成数据集中能够实现有效的聚类。然而,DPC也存在一些问题,主要表现在两个方面。首先,它需要用户根据决策图来手动选取聚类中心。在许多真实数据集中,手动选取聚类中心并不是一件容易的事情。其次,在密度分布不均匀的数据集中,DPC难以取得好的聚类效果。该问题在基于密度的聚类算法中普遍存在。针对第一个问题,本文为DPC提供了一种能够自动选择聚类中心的优化方案。针对第二个问题,为了减轻不均匀密度分布对算法聚类性能的影响,本文将方向作为主要的基本物理度量,并基于数据点之间的方位关系提出了一种基于方向的聚类算法DBCA。本文的详细工作如下:1)对能够发现任意形状簇的聚类算法进行了深入研究,并对已有的DPC优化方案进行了分析。此外,还介绍了聚类准确率、调整兰德指数、归一化互信息和调整互信息这四种聚类评价指标,并对实验中用到的一些聚类算法进行了详细描述。2)针对DPC存在的手动选择聚类中心困难的问题,结合K-means++和DPC的聚类思想,提出了一种二阶段的聚类算法KDPC。通过事先指定簇的数目,KDPC能够自动获取指定数目的聚类中心。实验表明,当参数d_c的值使得邻居的平均数目占数据集中数据点总数的比率在一个固定的集合中变化时,KDPC总能得到一个好的聚类结果。此外,实验还证明了KDPC和DPC在合成数据集和真实数据集中均能取得相近的聚类效果,且KDPC在簇密度存在显著差异的数据集中的表现比DPC的更好。3)提出了一种不易受不均匀密度分布影响的聚类算法DBCA。DBCA将方向作为核心的基本物理度量,并利用数据点之间的方位信息来帮助聚类。DBCA不需要将簇的数目作为输入。尽管它需要两个参数,但是两个参数相互独立,且各自有固定的经验取值集合。实验证明,DBCA能够识别不同形状、不同大小和不同密度的簇;当第一个参数表示邻域半径时,DBCA能够自动地将噪声与正常的簇分离开来;此外,相比于DBSCAN和DPC,DBCA在密度分布不均匀的数据集中总能取得更好的聚类效果。与当前技术最先进的一些聚类算法进行比较,DBCA总能呈现出更加优越的聚类效果。