聚类是数据挖掘和机器学习中应用最广泛的分析方法之一,传统的聚类算法也叫硬聚类或二支聚类。为了解决重叠数据集的聚类问题,众多学者对硬聚类算法进行扩展提出了许多软聚类或三支聚类算法。然而,现有的软聚类算法中仍然存在一些缺陷。一方面,现有的三支K-Means算法中,分类阈值是人为确定的,而且对象对于类簇的权重计算方法也需要人工参数,具有一定的主观性。另一方面,为了对形状不规则的类簇进行聚类,许多基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise）的软聚类算法被提出,但是使用全局半径的DBSCAN算法无法对多密度数据集进行聚类,并且难以准确设置全局半径的取值。针对以上问题,本文从自适应生成参数的角度出发对现有算法进行改进,主要研究工作如下:针对现有三支K-Means算法中存在的人工参数具有主观性的问题,本文提出了自适应的三支C-Means算法（A-3WCM）。首先,算法基于距离稳定性的原则,通过寻找方差最大增量,提出了自适应计算分类阈值的方法。然后,基于权重与距离呈反比的原则提出了无参的权重函数。该算法不但能够避免人工参数的主观性,而且可以在每次迭代过程中都根据数据特征自适应地计算分类阈值和权重。本文使用硬聚类指标和软聚类指标同时对算法进行实验评估,验证了所提算法的有效性。针对现有三支DBSCAN算法中存在的全局半径无法对多密度数据聚类的问题,本文首先定义了局部半径,并根据k-近邻距离自适应计算局部半径,从而提出了基于局部半径的DBSCAN算法（LE-DBSCAN）。然后,通过考虑近邻的标签,对二支聚类结果的临界点和噪声点重新划分,从而提出了基于局部半径的三支DBSCAN算法（LE3W-DBSCAN）。实验结果表明,本文所提出的算法能够通过局部半径对多密度和模糊数据实现准确聚类。综上所述,本文所提出的算法从改进参数的角度出发,克服了现有算法中参数过于敏感和多密度数据集聚类效果不佳的缺陷,更加符合实际应用需求。