密度峰值聚类算法是一种基于密度的聚类算法,其原理简单、运行高效,对各种类型数据集均有不错的聚类效果。然而,该算法依然存在一些缺陷:(1)由于样本局部密度定义无法正确捕捉样本局部特性,并且相对距离定义未能考虑密度峰值被非密度峰值包围这一思想,导致算法在复杂数据集中难以寻找正确密度峰值;(2)算法分配策略鲁棒性差,在处理复杂数据集时容易产生分配错误连带效应,大大降低算法聚类性能。本文针对上述问题展开研究,为提高算法在复杂数据集中的聚类性能,增强算法鲁棒性,提出以下三种改进方案:1)提出基于多簇合并的密度峰值聚类算法。使用k近邻中的k取代截断距离d_c,由于k仅为整数,使得算法参数更容易确定;综合考虑密度峰值间距离较远和密度峰值被非密度峰值包围两个思想重新定义样本相对距离,使算法能更加准确的寻找正确密度峰值;通过样本k近邻信息定义微簇相似度矩阵,使用该微簇相似度矩阵进行微簇合并,缓解算法在处理复杂数据时易产生的分配错误连带问题。2)提出基于相互邻近度的密度峰值聚类算法。使用k近邻样本间的相对密度定义样本局部密度,使样本局部密度拥有更多的环境信息,使算法能更好的处理多尺度数据集;使用样本k近邻信息定义样本相互近邻度,以此确定样本间的相似性,使样本间的关系定义更符合客观逻辑,以此解决错误连带问题。3)提出基于k近邻共享的密度峰值聚类算法。使用样本的共享近邻及自然近邻对样本相似性进行加权,从新定义样本间的相似性,以此构建样本相似性矩阵,使得算法能更加充分利用样本近邻信息,更准确的描述样本间关系,提出分配策略具有更强的鲁棒性。并利用该相似性矩阵定义确定样本间密度贡献,以此确定更符合客观事实的局部密度定义方式,使算法能在各种复杂类型数据集中找到正确密度峰值。通过对传统密度峰值聚类算法的改进,使算法能更好的对复杂数据集进行聚类。将本文提出的三种近邻优化密度峰值聚类算法运用于用户典型用电模式提取,通过对用户用电负荷曲线进行聚类,每个类簇的中心曲线作为该类簇的典型用电模式,实现用户典型用电模式提取,取得了较好的用户典型用电模式提取的结果,为用户典型用电负荷模式提取提供了一定技术支撑。