大数据时代来临,海量的数据促使人们想要高效的挖掘数据和有效的利用数据。聚类算法就是一种常用的数据挖掘工具,在不具备先验知识的情况下,探究数据内在的结构信息和相似关系,通过把多个对象分成不同类簇的方式有效地处理海量数据。因此,它也被广泛应用在各个领域,如:信息提取、模式识别、图像分析、数据压缩和网络安全等。密度峰值聚类算法（Densitypeakclustering,DPC）是近年来比较热门的聚类算法,具有思想简单、能识别不同形状的类簇、聚类效果好等优点,吸引了很多科研人员的关注。虽然密度峰值聚类算法有很多优势,但是它也存在聚类结果对于截断距离dc值较为敏感,且dC值和聚类中心点需要人工选择的问题。所以本文分析了原密度峰值聚类算法,并在前人的基础上做了改进。本文主要包含以下几个方面的工作:（1）本文详细分析了原密度峰值聚类算法的思想和实现步骤,总结了原算法的不足之处。针对原算法需要人工设置参数和手动选择聚类中心的问题,设计了基于K近邻的自适应确定参数的密度峰值算法（An automatic density peak clustering algorithmbasedon K nearestneighbor,AKNN-DPC）。改进后的算法引入了 K近邻的思想,使局部密度的计算更为合理,并且归一化决策图中的γ值,通过计算选择那些令γ值有明显突变的K值参与聚类,γ值突变的拐点作为类簇中心点和非类簇中心点的分界,从而实现自动确定参数和聚类中心。（2）本文将改进后的AKNN-DPC算法与原来的DPC算法以及K-Means算法、DBSCAN算法、Mean-Shift算法等经典聚类算法进行对比,分别在多个标准数据集上进行实验,通过实验结果的对比分析及聚类评价指标的评价,发现AKNN-DPC的聚类效果优于其他算法。（3）AKNN-DPC算法可以很好地计算数据点的局部密度并进行聚类,因此本文将该算法应用于湖北省非物质文化遗产的时空分析中,计算湖北省非遗点的密度并进行聚类,从而分析湖北省非遗空间上的格局分布和时间上演变过程,对湖北省非遗的产生和发展有一个详细的刻画,对未来的保护和传承可以提供一个有力的依据,也体现了本算法有一定的实用价值。