密度峰值聚类算法作为一种基于密度的算法,能够快速寻找到簇心完成聚类。但该算法存在一些缺陷:（1）局部密度定义较为简单,未考虑数据的空间结构特点且无统一的度量标准。（2）簇心选取时过于依赖单一的局部密度,导致簇心与非簇心区别不明显。（3）单一的分配策略易导致连续性分配错误。以上三个问题导致传统密度峰值聚类算法的的聚类性能不佳,尤其在复杂数据集上表现异为明显。本文针对这些问题展开研究,并将改进后的聚类算法应用于系统故障诊断分类中。具体工作如下:（1）提出K近邻和逆近邻优化的密度峰值聚类算法。统一了局部密度的计算,使用可描述数据空间结构的的K近邻和逆近邻共同定义了局部密度度量方法,充分展现数据的空间分布特点。其次,为便于寻找簇心点,将逆近邻的优势增加到决策值的计算中,使得簇心点相比于非簇心点在决策值图中处于更加明显的位置。最后,融合了距离和逆近邻的信息对数据点进行分配,仍未分配的点按照其邻域特点完成分配。（2）提出共享K近邻和多分配策略的密度峰值聚类算法。通过共享近邻对数据点的相似度重新定义,解决相似度计算时仅考虑距离这一问题。同时,在局部密度计算中引入放大因子,使决策值图中簇心与非簇心点的差异性更大,便于找到簇心。最后,优化了非簇心点的二次分配策略,避免了可能产生连带错误现象。（3）将本文提出的优化密度峰值聚类算法运用于系统的故障诊断分类中,核心是通过SKM-DPC（Shared K-nearest neighbors and Multiple Assignment Policies Density Peaks Clustering Algorithm）算法来为SVM（Support Vector Machine）选择训练数据,运用聚类的优势排除无关数据,加强了所选择训练数据间的相关联性。实验取得了较好的结果,为故障诊断提供了一定技术支撑。（4）设计了简单的聚类分析系统和故障诊断分类系统。