近年来,随着计算机技术在世界范围内的快速发展,每天都会产生大规模、高维度、多类型混合的数据,且数据增加的速率也在不断上升,我们正处于以信息爆炸为特征的“大数据”时代。此时,在处理“大数据”时代产生的庞大数据时,传统的处理方式已不足以胜任。如何快速有效地处理大规模数据并从中挖掘有用的信息已成为现在计算机科学领域的一个重要研究课题,在2017年国务院已将计算机科学的重要发展方向一一人工智能上升到国家战略高度。聚类分析是机器学习、数据挖掘领域里处理数据的重要工具之一,它是采用某种方式将数据对象划分为多个类的过程,并使得在同一个类簇内的数据对象尽可能相似,不同类簇的则相异。现已应用到社会上的许多领域,如图像模式识别、病理分析、商务智能、智慧医疗、智慧农业等。密度峰值聚类算法DPC是一种新颖的基于密度的聚类算法,有着易于实现、参数较少且能识别非球形簇的的优点,但该算法目前处于发展阶段,有很多问题需要进一步研究和改进。本文针对密度峰值聚类算法的不足之处提出两种改进措施,具体改进工作如下:(1)对于密度峰值聚类算法在处理大规模数据时计算效率较低的问题,本文提出了一种基于网格预筛选的密度峰值聚类算法(GPDPC)。首先,将数据对象空间分割成多个不相交网格,并将数据对象映射到相应的网格空间内,然后利用网格内数据对象的数量计算网格密度,通过将低密度网格内的所有数据对象筛除掉,减少聚类中心的候选集规模,进而减少选取聚类中心所需要的时间消耗。本文在人工数据集和真实数据集上进行了广泛的试验,结果表明GPDPC算法在保证聚类准确性的前提下,可以在较大程度上减少聚类所需时间消耗,较快实现聚类过程。(2)针对密度峰值聚类算法因为错误地挑选聚类中心而导致的聚类效果差的问题,本文借鉴DBSCAN算法的密度可达概念并在算法内给予重新定义,提出了一种基于密度可达的自适应密度峰值聚类算法的方式(ADRDPC)。首先,在网格分割的基础上,计算每个网格所包含的数据对象的局部密度和相对距离,然后选取每个网格内具有最高局部密度、最大相对距离的数据对象作为初始聚类中心,为之分配类标签,同一个网格内的所有数据对象共属于同一个类簇,最后采用密度可达方法将初始类簇进行合并。通过实验表明,本文提出的基于密度可达的自适应密度峰值聚类算法不仅能够自动完成聚类、而且其聚类准确性也优于其他竞争方法。