随着信息时代的到来,数据量呈现爆炸式增长,如何从海量数据中挖掘出有用的信息已经成为一个亟待解决的问题。聚类作为一种无监督学习方法,已经被广泛用于数据挖掘任务中。作为一种基于密度的聚类算法,密度峰值聚类算法使用局部密度和相对距离来描述聚类中心,并且可以聚类任意形状的类簇。然而,密度峰值聚类算法存在以下问题:在密度差距较大的数据集中不能选择到正确的聚类中心;分配策略容易引起连续错误;聚类效率较低。因此,本文通过对密度峰值聚类算法的深入研究,提出了两种改进的密度峰值聚类算法,其主要研究工作如下所示:（1）基于反向k近邻关系,提出融合相对密度与近邻关系的密度峰值聚类算法。首先,基于样本的反向k近邻数定义相对密度,用于消除不同类簇间的密度差距。其次,根据样本的反向k近邻与k近邻,定义边界样本。此外,引入共享近邻相似度并结合k近邻分配思想提出两步分配策略用于分配非聚类中心点。最后,通过设计对比实验,验证了所提出模型相比原始的密度峰值聚类算法可以取得更好的聚类效果。（2）基于相互k近邻关系和同一簇内样本可达的思想,提出融合平衡密度与可达性的密度峰值聚类算法。首先,基于样本的相互k近邻数定义平衡密度,提高密度峰值聚类算法识别聚类中心的准确率。其次,定义加权相互k近邻图,并在图上寻找每一个样本的最近的更高密度点,保证样本与其最近的更高密度点之间满足可达性。此外,为了加快寻找最近的更高密度点的效率,基于广度优先搜索思想提出一种快速搜索策略。最后,通过设计对比实验,验证了所提出的模型相比原始的密度峰值聚类算法可以取得更好的聚类效果并且有更高的聚类效率。