将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。聚类算法是一种高效的无监督学习方法,被广泛应用于许多领域,包括机器学习,数据挖掘、模式识别、图像分析和生物信息学等。但是已有的聚类算法仍存在一些难点问题,例如复杂数据集中存在的簇间密度不均匀、聚类形态多样、聚类中心的识别等。针对这些问题,本文设计研究了相应的聚类算法以改进现存的问题,提高聚类算法的性能。具体研究内容如下:（1）针对人工参与选定聚类中心点和类数不恰当导致聚类结果不理想的问题,本文提出了一种自动确定正确的聚类中心点和聚类中心数目的聚类算法。该算法将密度峰值聚类算法思想与遗传算法思想相结合,首先,通过密度峰值聚类算法初步对数据集进行聚类,通过密度峰值聚类算法的决策图选出远大于正确聚类中心点数的点作为候选聚类中心点,再使用遗传算法并结合聚类评估指标作为适应度函数从候选聚类中心点中选出最好的聚类中心点和聚类中心数目,以改善人为的参与决策图中聚类中心点选定导致的聚类效果差以及随机性的问题。经过大量的实验与改进,最终结果表明,针对人工参与聚类中心点选定的问题,设计的自动确定类中心和类数的聚类算法不但能减少人工干预的程度,极大改善了人工选择聚类中心点导致的随机性和不确定性的问题,而且能够高效的识别出正确的类数和聚类的中心点。将新提出的算法与其他典型主流聚类算法进行实验对比,聚类效果更好更准确。（2）针对已有的聚类算法在分布不均匀的数据集上聚类时易丢失稀疏簇,从而导致的聚类效果差的问题,本文提出了一种适用于密度分布不均匀数据集的聚类算法。已有的聚类算法对密度分布不均数据集聚类效果差的主要原因是将稀疏区域的数据点当作噪声处理了,进而导致稀疏簇丢失,聚类效果差。所以,研究密度分布不均数据的聚类算法需要研究方法识别稀疏区域的点使其不被当作噪音点被处理。为了使稀疏区域的中心点不被当成噪音点被排除,使聚类算法能够识别出稀疏区域的类中心点,本文提出的聚类算法通过改造密度峰值聚类算法的局部密度函数,使稀疏区域中心点的局部密度变大,这样在决策图上稀疏区域的中心点也能被识别为候选中心点,从而识别出稀疏簇,稀疏区域的点就不会被当做噪声点被排除。实验结果表明,在多个测试数据集上用新的聚类算法进行聚类,能够识别到稀疏簇的聚类中心点,最终的聚类结果更加精准、聚类更具有健壮性。在一些数据集上,将本算法与其他典型主流聚类算法进行实验对比,聚类效果更加理想,新的算法达到了预期的实验结果。