随着移动互联网和物联网技术的普及,数据的生产方式受到了极大的影响,数据的大小、维度和种类不断扩张,数据的复杂程度不断上升。从海量数据中挖掘出潜在的、有用的信息至关重要。聚类分析作为数据挖掘的主要手段之一,其目标是将数据对象根据其相似度划分为不同的簇,同一簇中的数据对象彼此相似,不同簇中的数据对象相似度较低。聚类分析被广泛地应用于图像处理、人工智能、医学和航空航天等领域。聚类算法中基于密度代表点的聚类算法取得了较好的成绩,但是在处理具有复杂形状的数据集时,基于单一密度代表点的方法无法给出数据集的形状信息,从而影响聚类效果。本文引入了密度核心的概念,解决了基于单一代表点算法中无法处理具有复杂形状的数据集的问题。通过对现有聚类算法的思想和基础理论进行分析,针对其存在的问题进行了改进,本文提出了新的聚类算法。主要的工作和取得的成果包括以下几个方面:（1）针对现有聚类算法不适合多密度和复杂形状的问题,本文提出了使用逆近邻数提取密度核心点的方法。该方法使用逆近邻数大于自然能特征值的数据点作为数据集的密度核心点,解决了现有聚类算法无法处理具有多密度层次和复杂形状数据集的问题。（2）针对传统聚类算法中存在参数过多、对参数敏感的问题,本文引入自然邻居算法。自然邻居算法能够自适应的迭代计算出数据集的自然特征,该过程无需人工输入任何值,解决了对参数敏感的问题。（3）本文提出了基于密度核心的最小生成树聚类算法。该算法首先使用自然邻居思想计算出数据对象的逆近邻信息,然后将逆近邻数大于自然特征值的数据对象作为密度核心点,最后使用最小生成树算法对密度核心点进行聚类。该算法不需要人为设置参数,能够处理具有多密度和复杂形状的数据集。（4）本文采用了十二个人工数据集和十个真实数据集对本文提出的算法进行了有效性验证,并与K-Means、DBSCAN、OPTICS、DPC、SNNDPC和DCore六种算法进行了实验对比。实验表结果明本文提出的算法在大部分数据集上表现最优。