聚类是数据挖掘的主要技术之一,也是学术界研究的热点问题,并在各个领域的数据分析中起到重要作用。聚类边界的识别有助于提高聚类结果的准确性和揭示聚类所具有的特性,对它的研究成为近年来研究的热点,并在聚类分析、虚拟现实、图像处理、医学数据分析等领域中得到了广泛应用。现有的聚类边界检测算法存在着对参数敏感,执行效率低下,不易扩展等缺陷,针对这些问题,本文对聚类边界检测技术进行了深入的研究。为了提高聚类边界检测的效率,提出了基于二路生成树的边界检测算法,该算法首先采用二路生成树的技术对数据集进行聚类,在生成的聚类上采用c-层近邻技术统计每个点的近邻,从而计算出每个点的反向近邻值,根据反向近邻的值快速提取边界点。实验表明该算法的执行效率较高,能够识别任意形状的边界,并且具有聚类和边界的双重功效。为了解决现有边界检测结果对参数敏感和精度问题,提出了融合边界检测思想,即将多个边界检测算法提取的边界结果通过相似图和共识函数进行合并,以求得到一个正确的边界结果,避免非监督学习对数据的未知性而导致错误假设的现象,且不需要输入任何参数。实验结果表明该算法能够有效地处理多密度、任意形状和大小的数据集。