聚类分析是把数据对象划分成子集的过程,它是数据挖掘技术的核心,并且其应用范围非常广泛,其中基于密度的聚类算法具有较高的应用价值,其对任意形状的类簇都具有较好的识别效果,此外,它还能很好的处理数据集中的噪声点,但其不适用于分布不均匀的数据集,同时时间性能也较差,所以如何提高其在密度不均匀的数据集中的聚类质量及算法的时间性能是当前亟需解决的一大问题。DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法是基于密度的聚类算法中一种经典算法,本文重点改进了DBSCAN算法在非均匀数据集中聚类质量差及算法时间复杂度高的问题,提出了一种基于数据分区和网格聚类相结合的密度聚类算法(PC-DBSCAN)。首先,根据每个数据点的k最近邻域,计算数据点对应的k-ave值,根据每个数据点对应的k-ave值进行单维度聚类来实现数据分区,缓解了算法对全局参数Eps敏感的问题,提高了算法的聚类质量;其次,针对每一个数据分区,把其对应的数据空间划分成以Eps为网格阈值互不相交的网格单元,在确定核心对象时,只需要对数据点所在网格单元及其周围网格单元进行遍历,降低了算法时间复杂度;最后,对各数据分区聚类结果进行合并。实验结果表明,改进后的算法在非均匀数据集上的聚类质量和算法的聚类效率要优于原始的DBSCAN算法及相关改进算法。本文将改进的聚类算法PC-DBSCAN应用到了面向问题的专利文本聚类当中,由于面向问题的专利文本向量的维数一般较高,进而导致无法获得好的聚类结果,潜在语义分析LSA可以有效的对向量空间降维,因此本文对潜在语义分析LSA进行了研究并将其应用到了面向问题的专利文本聚类过程当中,实验结果表明聚类结果良好。在以上专利文本聚类结果的基础上,本文基于文本相似度研究了面向问题的专利文本推荐流程,并设计实现了专利推荐系统,为用户根据专利问题高效准确的推荐出相关专利,帮助用户找到针对某一实际问题的有效解决方案,达到了预期效果。