近年来,随着互联网技术的发展以及信息搜集工具的进步,我们的生活已经被各种各样的数据包围。数据信息已然成为了一种十分重要的资源,对人们有着十分重要的意义。如何从海量的,纷繁复杂的数据中提取有用的信息成为了科学界与产业界共同关注的热点。因此,各式各样的数据挖掘方法被不断地提出。聚类,作为数据挖掘领域地一个重要的技术手段,它可以在无任何先验知识的情况下,通过探究数据之间的内在关系来将一组对象进行划分归类。该技术已被广泛应用于图像处理、模式识别、生物信息学等诸多领域。由于近年来数据挖掘领域的飞速发展,各式各样的应用场景使得聚类算法需要适应新的需求。2014年,《Science》上发表了一种新型聚类算法,称为密度峰值聚类算法（Density Peaks Clustering,DPC）。密度峰值聚类算法主要基于两个核心的观点:（1）聚类中心点往往是自身密度比其周围点的密度都大的点;（2）不同聚类中心点间的距离要尽可能大。当聚类中心被找出后,剩下的数据点就分配给距离其最近的更高密度点所在的簇中,从而形成一个个簇。该算法因其具有原理简单,易于实现,可处理任意形状数据集等优势,受到了研究学者们的关注,成为了聚类领域的一个新的研究热点。然而,它也存在着一些缺陷,如在处理密度相差较大的簇时无法识别出聚类中心,以及在数据点分配过程中可能会出现的连带错误。因此,本文主要对于密度峰值聚类算法的局限性进行了创新性的改进,并将其应用于社区发现中。本文主要研究的内容如下:针对密度峰值聚类算法的局限性,本文提出了一种基于广义近邻相似度的密度峰值聚类算法（Density Peak Clustering algorithm based on Generalized Nearest Neighbor Similarity,GNSDPC）。首先提出了广义近邻相似度来度量数据点之间的相似性,该度量方式有效利用了数据点周围的局部信息,更能准确地刻画出节点与其周围节点的联系。基于此,我们得到的新的局部密度度量方式,能够更准确地反应出节点所处区域点数据点分布的密集程度。而在点分配过程中,我们设计了一种多步分配策略,为不同的点设计不同的分配策略,有效地避免了传统DPC算法数据点分配过程中出现的连带错误,增加了算法的鲁棒性。在人工合成数据集以及UCI数据集上的实验结果显示了本文提出算法的优势。将密度峰值聚类算法应用于社区发现中,提高划分出社区结构的稳定性。首先基于Jaccard距离为连接两个节点的边赋予权重,将无权图转变为加权图,然后以此得到距离矩阵。同时,基于节点的度与局部聚类系数得到各个节点的密度值。接着通过一种自适应的方式自动确定各个社区中心。在之后的节点划分过程中,我们引入了证据理论的思想。依照点与各个社区中心的距离构建BPA（Basic Probability Assignment）函数,当某个点分配时,将其邻接节点对应的BPA函数加权融合,融合之后的BPA函数中信度最高值对应的社区即为该点所属的社区。通过在GN人工网络和真实网络上的实验结果证明了所提出算法的有效性。