聚类分析是实现数据集分类的处理技术,能够解决无标签样本的分类问题,已被广泛应用于股票的量化交易、计算机信息安全、生物信息以及自动驾驶和图像识别等领域研究中。密度峰值点快速搜索聚类算法(Clustering by fast search and find of density peaks,DPC)算法是一种启发式思想的聚类算法。该算法具有参数设置需求较少,同时执行速度较快等特点。但DPC算法也存在一些不足,在样本分配策略、识别多密度峰值类簇能力、以及噪声识别方面,DPC算法聚类能力较差,导致对任意形状类簇和不同密度类簇的聚类效果不佳。为此本文结合K近邻方法和基于密度聚类方法,对DPC算法进行改进。本文的主要工作如下:(1)针对DPC算法无法准确识别不同密度类簇的不足,结合K近邻方法,提出了一种基于K近邻的密度峰值快速搜索聚类算法(KNN-DPC)。改进的算法首先通过样本的K近邻信息估计样本局部密度,并计算样本间的距离,通过决策图选取聚类中心;然后基于样本K近邻信息的分配策略,依次将样本分配至相应的类簇中,得到数据集的样本分配模式;最后基于噪声点具有低密度和距离其他样本相对较远的特点,通过动态滤值法去除噪声,达到正确识别噪声数据的目的。实验结果表明,KNN-DPC算法在聚类不同密度类簇和噪声过滤等方面的能力有明显的提升。(2)针对DPC算法无法识别多密度峰值类簇和有效发现聚类中心的不足,结合K近邻方法和基于密度聚类的方法,提出了一种基于类合并的密度峰值快速搜索聚类算法(CM-DPC)。CM-DPC算法首先定义了一种新的决策值计算方法,通过样本决策值下降趋势判断出拐点,并将拐点之前的样本作为数据集中的聚类中心;然后,根据DPC算法的初步聚类结果,找出需要合并的小类簇;最后,缩小应用合并算法的样本范围,通过样本的K近邻扩展聚类,以此判断两个小类簇的聚类中心是否密度可达,并合并聚类中心密度可达的小类簇。实验结果表明,在各项指标中,CM-DPC算法的实验结果值都优于DPC算法的实验结果值。将CM-DPC算法应用在实际语料库中的文本数据集中,该文本数据集包含了财经、体育、军事、教育和文化五类不同主题的新闻报道。文本聚类实验结果表明,CM-DPC算法的聚类结果在准确率和召回率上有明显的提升,能够准确识别各个主题的文本类簇。