聚类分析是数据采掘和探查性数据分析中一个极为重要的技术,已被广泛地应用于工程、生物、心理、计算机视觉和遥感等领域.其目的是寻找隐藏在数据中简单有效的结构,而不只是为数据建立一个分类规则.由于聚类算法不对数据做任何统计假设,故在模式识别和人工智能等领域,聚类算法常被称为"无导师学习"或"自组织算法".该文主要是在研究密度聚类算法的基础上,结合分层聚类算法的优点,提出了一类新的聚类算法——基于密度的层次聚类算法.首先,对GDBSCAN和DBSCAN算法进行了深入的分析及研究,对其运行机制进行了详细的讨论,指出了该算法在参数选取时存在的缺陷.并针对其存在的缺陷提出了一种改进参数选取的方法,并对该改进方法进行了实例验证.其次结合基于密度的聚类方法和分层聚类方法两者的优点,提出了一类新的算法:基于密度的层次聚类算法.该算法具有如下优点:能发现任意形状的簇(类);能有效的过滤噪声点或孤立点;不依赖任何初始值;也没有任何领域知识输入要求;能找到最优的聚类;具有分层算法的聚类质量高等特点.最后,用实例验证了各算法的有效性,可行性.