聚类算法的自适应程度对其在许多领域的应用效果有着重要的影响,而这方面的研究尚比较薄弱,论文研究在不牺牲算法效率和准确性的前提下,如何提高聚类算法的自适应性。在深入分析传统聚类算法和自适应聚类算法特点和缺陷基础上,明确了将数据描述、聚类判断等环节作为整体进行建模和解决的原则,避免现有算法由于将上述相互关联耦合的环节割裂而产生的问题。通过分析现有基于密度聚类算法在簇扩展方法上的优点及其聚类判据的缺陷,确定了以密度模式为聚类依据从而实现正确识别任意形状、不同密度簇的目标。通过分析和挖掘最近邻关系中所包含的丰富信息,深入挖掘最近邻关系的不对称性在簇边界识别中的指示作用,设计和构造了动态k近邻图和基于密度模式的簇扩展机制,将密度模式的表示、簇边界的识别、簇内成员点扩展等环节在统一的模型下进行解决。针对动态k近邻图构造和扩展规则中的关键前提,设计了非均匀标度变换和比例判据技术,使得算法对于经过标度变换后的不同输入数据集,都能输出正确的聚类结果,无须对与数据相关的任何参数进行设置,较好的实现了参数自适应的目标。基于以上工作原理和关键技术,设计了一个基于密度模式的参数自适应聚类算法DMBC。对于所设计的算法进行了时间复杂度分析、编程实现和实验结果比较,验证了DMBC算法在时间复杂度、任意形状识别准确性、抗噪声能力方面都有较好的性能。