聚类算法对大规模无标签数据的分类能力使得它在数据挖掘领域占据了重要地位。其发展至今已有众多分支,例如划分聚类、密度聚类、谱聚类等。本文主要研究密度聚类的以下两个问题。第一个问题,继承于DBSCAN的传统密度聚类算法都有一个共性,即通过设置一个单一的全局密度阈值来识别稀疏区域和稠密区域。这种策略从根本上决定了它们很难处理变密度数据聚类。新近的一些聚类算法在一定程度上能够处理变密度数据聚类问题,但是它们并没有改变全局单一阈值的设定原则。加之密度具有相对性,这些方法在集簇间密度差异非常大且集簇间分界不明显时仍然表现乏力。第二个问题,大多数基于密度的聚类算法使用欧式距离构建相似度矩阵。这种距离标准在某些数据集上无法构建出满足算法要求的图结构。针对以上两个问题,本文提出了两个算法。针对第一个问题,我们提出了一种基于密度的核心结构扩张聚类算法。该算法的主要原理是仅在相对高密度区域使用密度聚类算法,而在低密度区使用划分聚类算法,以避免在全局使用单一阈值带来的问题。在相对高密度区域我们采用了更加严苛的局部间隙密度聚类算法去构建一些核心密度结构,即初始簇。然后利用划分聚类的思想,把这些核心密度结构当作划分聚类的代表点。最后令这些核心密度结构向各个方向按照一定步长进行扩张以完成剩余点聚类。对于某些无法通过扩张而被聚类的离群点,我们的算法便将之识别成噪声。针对第二个问题,我们提出了一种基于l2-graph的变密度聚类算法。这是一种基于范数投影空间的重建系数方法。它能更好地构建一个相似性图或者构建一个更能体现数据点之间关系的相似性矩阵。它的主要依据是投影子空间内数据点的系数小于投影子空间间数据点的系数,也即簇内数据比簇间数据具有更大的相似性。因此我们用l2-graph代替了 LGD算法中的k-NN graph改进了变密度聚类算法。为了验证本文提出的两种算法,我们分别针对相应问题制造了与之匹配的二维数据集进行演示实验。不失一般性,我们还分别在4个通用数据集上进行了精度对比试验。实验结果表明我们的算法能够很好地解决以上问题且与相关算法相比具有更高的精度。