在数据大爆炸的时代,如何有效地分析和管理这些数据信息变得尤为重要,而聚类分析是人们对数据进行分类的重要技术。它不仅可以作为一个独立的工具使用,进行数据的预处理、分析数据的分布、了解各种数据的特征,还可以作为其他数据挖掘功能的辅助手段。因其具备重要的应用价值,一直成为这一研究领域的热点。基于划分的蚁群聚类算法是基于蚂蚁觅食原理的智能聚类算法,虽然它是一种自组织的、正反馈的、本质上并行的、健壮的优化算法,但仍然存在陷入局部最优的缺点;基于密度的CFSFDP(Clustering by Fast Search and Find of Density Peaks)算法,算法思想简单易实现、聚类效果优,但是对多个密度峰值聚类中心的选取易出现错选。针对上述两类算法的不足,本文主要提出了两个改进方案。针对蚁群聚类算法存在易陷入局部优化的缺点,提出了一种基于随机搜索变异策略的蚁群聚类算法,主要是通过随机选择的方式进行变异操作,改进算法的搜索能力。选取UCI数据集进行数值模拟实验,结果表明:所提出的改进算法在目标函数值F、兰德系数、调整兰德系数和标准互信息划分等方面均优于基本蚁群聚类算法、k-means算法。最终验证了改进算法对数值优化问题较好的寻优能力。针对CFSFDP算法在单个簇中存在多个密度峰值时,难以通过决策图确定聚类中心数量,导致聚类效果不佳的情况,提出将所有密度大于当前位置的数据点及其与当前位置存在最小距离的数据点各归为一个集合,并对高斯核求得的局部密度排序。这样,当存在多个密度峰值时,只选择第一个点作为聚类中心,同时利用归一化的γ值分布图确定聚类中心数。人工数据集和UCI数据集的数值模拟实验表明,改进CFSFDP算法在调整兰德系数、同质性、完整性、V-measure和标准互信息评分等各指标值均优于CFSFDP算法、DBSCAN算法和k-means算法。该改进算法弥补了 CFSFDP算法对多密度峰值不能很好聚类的缺陷,适用于对较低维度的任意型数据集聚类。最后,将改进的两类算法分别应用于实际问题中。利用改进蚁群聚类算法对2015、2016年世界上发生的未知恐怖组织或个人的所有恐怖袭击事件数据样本进行特征分析聚类,大致推断出新生的恐怖组织或个人的数量,为后续实现事件制造者的身份“认定”提供依据。利用网络爬虫技术采集了加拿大地区1976-2004年21个气象站点的相关数据,在对所有数据预处理的基础上,利用改进CFSFDP算法聚类分析模型将所有21个站点分为6类,以5年为一个年代际,对加拿大地区温度的时空变化趋势展开分析。这些实际应用说明两类改进的算法有一定的实用价值。