聚类分析是数据挖掘领域最为重要的技术之一,至今已在理论和方法上取得了丰硕的研究成果。聚类分析能够按照样本点间的相似度将数据分成若干类或簇。划分聚类算法是在实际应用中最为常见的聚类方法,k均值聚类算法(k-means)、k中心点聚类算法(k-medoids)和模糊C均值聚类算法(FCM)是最为典型的划分聚类算法。作为聚类分析算法中经典传统算法之一,划分聚类算法以其快速,简单的优势,倍受关注。然而,划分聚类算法存在许多缺陷。例如,聚类个数必须预先设定;对初始聚类中心极为敏感,如果初始聚类中心选择不当,算法很容易陷入局部最优解,而非全局最优解;对噪声点和离群点非常敏感。本文以上述划分聚类算法为研究对象,做了以下两个方面工作:第一方面,本文针对划分聚类算法需要事先给定初始聚类中心和聚类个数的缺点,提出了一种自适应密度峰初始化聚类中心算法。其主要思想是:计算每个样本点的局部密度,密度较大且相互距离较远的样本点作为初始聚类中心。这样得到的初始聚类中心能够位于不同类簇,并自动得到数据集的聚类个数。将该初始化算法结合k-means算法和k-medoids算法得到改进的D-means算法和D-medodis算法。第二方面,对于FCM算法,本文在得到初始聚类中心的基础上,结合样本点密度信息,构建新的初始隶属度矩阵,并在隶属度矩阵的更新上加上密度信息,得到改进的D-FCM算法。并将其应用于医学图像分割上,得到了较好的结果。在基准数据集以及医学图像数据集上的实验表明,改进后的三种划分聚类算法能够自适应识别数据集的聚类个数和获得好的初始聚类中心,同时能够减少聚类迭代次数,缩短聚类时间,提高聚类准确率,并且具有一定的鲁棒性。