近年来,数字经济飞速发展,特别是5G、人工智能、互联网的普及和应用,使得数据量大幅增长。同时,随着“东数西算”工程的全面启动,对于东部地区数据的计算不仅有科学计算和大数据处理的需求,而且还有增长更快的人工智能训练和推理计算需求。所以就更凸显了作为数据分析有效方式的数据挖掘技术的作用。聚类作为数据挖掘中的一种重要方法,可以挖掘出数据内部的结构信息和相似关系,并将数据对象分为若干个簇。密度峰值聚类算法（Clustering by Fast Search and Find of Density Peaks,DPC）是一种典型高效的聚类方法,可以直观快速地识别任意形状数据集中的类簇,并能高效的分配样本点及有效的剔除离群点,对大规模数据集具有良好的适用性。但该算法的截断距离参数需人工选取,参数选取对聚类结果具有较大的影响。针对DPC算法的不足,本文提出一种基于改进果蝇优化的密度峰值聚类算法。具体工作如下:首先,通过Tent混沌映射初始化果蝇种群,利用Tent混沌序列的特有性质来提高初始种群多样性,增强算法全局探索的能力,并引入动态步长因子与柯西变异策略改进基本果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）的更新机制,加强局部勘探能力,使算法逃出局部最优,6个基准测试函数的实验仿真结果表明改进的FOA算法在收敛速度和求解精度上有明显提高。其次,从随机算法收敛准则的角度对改进FOA算法的收敛性进行了理论分析。然后,为解决DPC算法截断距离参数需人工干预的缺陷,将改进FOA算法与DPC算法融合成新算法,利用改进FOA算法较强的寻优能力找到最佳截断距离。实验结果表明,新算法在4个数据集上的聚类性能均有改善,而且具有更优的性能指标,有效抑制了手动选取截断距离参数带来的影响问题。最后,将改进后的密度峰值聚类算法应用到了经济财务数据集的分析中。对从国泰安数据库中获得的6个能反映企业发展趋势的财务指标数据进行聚类分析,以划分各企业的类型,使企业投资者作出合理正确的选择。实验结果表明本文算法在经济领域的数据分析中具有良好的应用价值。