数据挖掘技术能够从大量的数据中挖掘有用的知识,进而做出相应的决策。聚类分析是数据挖掘之中的一个较为基础的工具,应用相当广泛。K-means算法是一种典型的基于划分的聚类分析技术,该算法由于实现简单、收敛速度快且对大规模数据有很好的处理效果而被广泛应用。但是,该算法存在一些问题,如需要事先人为确定聚类个数K、随机选取初始聚类中心可能导致聚类结果不稳定等问题。密度峰值算法(DPC算法)是2014年提出来的一种新的聚类算法。该算法能够快速地发现任意形状的数据集的密度峰值点(聚类中心),并且能够高效地进行样本点的分配和离群点的剔除,且参数易确定,适用于大规模数据的聚类分析。此外,DPC算法在解决初始聚类中心选取方面很有针对性。针对K-means算法需要事先人为确定聚类个数K、随机选取初始聚类中心可能导致聚类结果不稳定的问题,提出了一种基于改进的密度峰值算法的K-means算法。该算法采用改进的DPC算法来选取初始聚类中心以及确定聚类个数K,从而弥补了K-means算法的以上缺陷。针对微阵列基因选择难的问题,将改进的K-means算法与微粒群算法(PSO算法)相融合,提出一种基于改进的K-means融合微粒群优化(IK-PSO算法)的基因选择方法,降低了PSO算法寻优的难度。为了验证本文提出的算法的有效性和可行性,在UCI数据库选取的数据集进行了实验,实验结果表明了:(1)基于改进的密度峰值算法的K-means算法能够得到较好的初始聚类中心和较稳定的聚类结果,并且收敛速度较快,从而证明了该算法的有效性;(2)IK-PSO算法降低了PSO算法寻优的难度且分类性能得到显著的提高,从而证明了该算法的可行性及有效性。