聚类是将特征相似的数据对象放在同一个簇中,相异的放在不同簇中的过程,它在分析数据的特征以及内在结构时起到重要作用。现在聚类技术已经被广泛地应用于各个领域,如:金融行业、信息安全、生物基因序列、图像处理、客户划分等。在聚类技术中,基于聚类中心的聚类技术的研究最为广泛,也是研究的热点问题之一,如何准确地提取聚类中心是亟待解决的问题,这一问题的解决对提高聚类的质量有着重要的作用。本文主要针对聚类算法中聚类中心个数计算不精确,参数敏感,以及在密度不均匀的数据集中聚类算法精度较低等问题,基于聚类中心选取的原则展开对这些问题的研究,论文的主要创新成果如下:(1)提出了基于聚类中心动态选取的密度聚类算法CCDS:首先计算所有数据对象的局部密度,为了更准确地计算并降低局部密度中的参数敏感性,算法将截断距离自适应计算机制结合k近邻的概念引入到局部密度的计算中;同时加入了聚类中心动态选取机制,选取出合适的聚类中心;最后将剩余对象按照距离最近原则划分进较高密度的簇中,形成聚类。该算法解决了参数敏感性问题,并且在选取聚类中心时避免了人工选取而造成的选取偏差问题。为了验证算法的有效性,本文选取了不同维度以及不同规模的人工合成数据集以及UCI数据集,均验证了该算法的有效性。(2)提出了基于两阶段对象划分策略的聚类算法CA-TSP。在现有的聚类算法中,如果密度度量出现偏差,聚类中心选取失败,将导致以此聚类中心为划分依据的对象划分错误,进而影响聚类效果。因此本文提出了两阶段的对象划分策略,第一阶段的划分以统计学中的散度概念为依据提出加权散度值,去除非核心对象的干扰,并利用对象递归遍历方法建立近邻关系来划分获取的核心对象;第二阶段的划分使用密度权重从第一阶段的结果中得到聚类中心,并将非核心对象按照距离聚类中心的最小距离原则划分。对象全部划分完毕,即完成聚类任务。在人工合成数据集和UCI数据集上均已验证了CA-TSP的有效性。对比同类型算法,该算法具有较高的聚类精度。从低维到高维、从少量数据到大量数据、从密度均匀的数据到分布复杂的数据,本文的研究工作为基于聚类中心的聚类算法的研究提供了一种新的思路。通过在医疗、金融、生物等领域的实验分析与研究,加速了基于聚类中心的聚类算法的研究从理论研究迈向实际应用的进程。