密度峰值算法是一种近几年流行的聚类算法,其算法简洁高效、所需参数少并且能够识别非凸数据集。因此被广泛专家学者关注,并被应用于许多实际场景中。然而,由于其聚类结果对于参数较为敏感、需要人工选择合适的类簇数目并且对具有不均匀分布的数据集还不能有效处理等问题。本文研究了相应的解决策略,通过引入自然邻居思想,实现了真正的自适应并提升了算法的性能。具体研究内容为:（1）为解决参数对于聚类结果的影响,提出了一种基于自然邻居思想的新内核,以改进数据点局部密度的计算方式。为解决类簇数目难以确定的问题,与肘方法联合,搜索根据决策图选择出的候选中心找到拐点,确定数据集的真实类簇数目。最后,结合“减而治之”思想,改进自然邻居的搜索过程,提高算法运行效率以处理大规模数据集。其中自然邻居思想的引入,使得算法实现了真正的自适应,而不再是基于经验设置进行聚类。经实验验证,所提出方法不仅可以实现真正的自适应,不再受参数设置的约束,而且提高了算法的性能。在多个人工数据集和UCI真实数据集上的实验结果验证了本文算法可以得到数据集的真实类簇数目,解决了难以确定类簇数目的问题。（2）为解决不能有效处理含有密度不均匀分布数据集的问题,提出了一种基于自然邻居的密度峰值算法归类机制。对于候选中心的归类机制,不再根据密度,依次划分较高密度的数据点,而是通过计算子类簇之间的连通性或不相似性,依次选择连通性较高的子类簇进行合并。在计算连通性时,需要先得到子类簇之间的交集区域。本文通过结合自然邻居思想来获得两个子类簇之间的交集,具体是当某一类簇内部的数据点的自然邻居中含有属于其他类簇的数据点时,将该点作为该类与其他类的交集区域。通过引入自然邻居思想,可以实现自适应获得子类簇之间的交集区域,解决传统通过阈值计算交集会因阈值设置过大或过小导致的交集过多,或是没有交集的现象发生。并且可以更为准确的计算子类簇之间的连通性,实现更好的聚类效果。在多个人工数据集和UCI真实数据集上的实验结果验证了所提出方法可以有效处理含有密度不均匀分布的数据集,具有一定可行性。