随着社会的数字化,急需能够处理大量数据的技术,数据挖掘的产生推动了信息化的发展。在数据挖掘中,使用聚类算法能够在没有样本等学习知识的情况下发现隐藏在大量数据中的知识。谱聚类算法作为聚类算法中的一种,将聚类算法中的数据划分问题转化成无向图的分割问题,算法重点关注数据点之间的相互关系,弱化了数据点自身的特征,解决了传统聚类算法中不能处理复杂簇,容易陷入局部最优解的问题。密度敏感谱聚类算法作为谱聚类算法的一种,针对谱聚类算法中如何构建描述数据样本相互关系度量的问题,定义了一个描述数据点之间的相似度方法:密度敏感的相似度,更有效的描述了数据点之间的相似关系,提高了算法的准确性。本文以密度敏感谱聚类算法的研究为基础,分析密度敏感谱聚类算法的优势和缺陷,并针对存在的缺陷问题进行了优化。本文的主要工作如下:1.研究了密度敏感谱聚类算法及算法流程,通过对算法的理论分析和仿真实验模拟,研究了密度敏感距离的优势以及算法中存在的问题:密度敏感距离的伸缩因子需要人工指定;密度敏感距离会因距离的变动,改变相对位置不变的数据点之间的相似关系;聚类数目需要人工指定。2.对于密度敏感谱聚类算法中伸缩因子以及密度敏感距离的问题,通过计算,研究了密度可调节线段长度导致数据点相对位置不变,相似关系发生变化的原因,通过使用局部信息来计算每个点的伸缩因子,提出了一种数据用局部信息的密度敏感谱聚类算法,并将该算法进行了理论验证和数据集上的验证,验证算法较密度敏感谱聚类算法的优势。3.研究了聚类数目在算法过程中的影响,分析了拉普拉斯矩阵中特征值和聚类数目的关系,研究了根据本征间隙的特性来确定聚类数目的方法,并在数据集中进行了相关的证明实验。