数据挖掘技术可以从大量的繁杂的数据中快速地发现有价值的数据,其中数据分类技术是一个重要分支和应用。本文在数据密度方面进行分析和研究的基础上重点进行了两部分工作的研究。首先,本文分析了数据密度的两个特性。一是每一类别的数据都具有独特的密度信息,它是指在某一业务场景下,不同类别数据的密度值是不同的,因此可以通过这个信息对不同的类别数据进行区分和标识。二是假设部分数据是从整体数据中进行随机抽样得到的,因此部分数据与整体数据的分布是相似的,而且部分数据密度与整体数据密度的比值等于其对应的数据量的比值。其次,第一个重点研究工作是为了提高数据的质量进而提高分类模型的质量,本文提出了一种基于数据密度特性对带标签数据进行异常检测的方法来对原始数据进行“纯化”,该方法本质上是对训练数据的预处理过程,利用数据密度的第一个特性,分别计算每一类别数据的密度,将不符合该类别数据密度特性的数据样本标注为异常并去除;然后使用“纯化”后的数据构建分类器模型。再次,第二个重点研究工作是为了探索新的数据分类算法,本文提出了一种基于数据密度的数据分类算法。该算法利用数据密度的两个特性进行分析计算,分别计算每一类别的数据密度,然后依次寻找与其具有相同数据密度的待分类数据,并将数据划分到该类别中。最后,对本文提出的算法在Windows平台下用R语言进行编程实现。通过实验验证算法的有效性和可行性。