聚类算法是一种无监督的算法,它在没有教师信号的情况下对数据进行分类。支持向量聚类算法的优势是:对于任意形状和数目的数据集理论上可以通过调节核函数的参数识别任何形状的簇;它对噪声数据点不敏感,可以避免噪声数据对结果的影响;它利用核函数把数据映射到特征空间中,解决了线性不可分的问题。支持向量聚类算法的高耗费和低性能成为了它的短板。本文在原有支持向量聚类算法基础上在以下两部分进行改进:1、在目标函数训练求解支持向量部分,使用另一种方法求解,把约束问题转化为无约束优化问题,使用算法框架利用GPU计算功能把训练过程在时间上缩短。2、在聚类划分阶段原始算法需要在两个数据点之间连接的直线上随机取点,并求其在特征空间中距离球心的距离。这样计算增加了算法的复杂程度,使算法计算速度成倍增长。本文中我们引入共享最近邻的思想,预先对支持向量进行划分,接下来再划分其余数据点。本文提出的基于共享近邻的支持向量聚类分割算法(Support Vector Clustering Based on Shared Nearest Neighbor)保留了原始支持向量聚类算法的优点。它对于任何形状的数据集都可以很好的划分;通过核函数对数据集进行映射,可以处理各种形状的数据集;噪声数据点对算法影响很小。但是因为划分阶段引入的共享近邻的思想,需要引入额外参数,所以在一定程度上增加了对算法调参的难度。本文改进目的是加快算法的计算速度并且提升聚类划分效果,增加准确率。为了验证本文改进后的算法,我们使用几组有分布特点的人工数据集,对算法的可行性和有效性进行初步检查。然后使用真实数据集对算法进行验证,并与一些其他经典的聚类算法进行横向比较,对比本文改进后算法的结果,最后分析总结。