2014年,密度峰值聚类算法（DPC）在Science杂志上发表。DPC是一种基于密度的聚类算法,相比其它聚类算法,该算法能够识别类球状的数据集,并且检测存在一定密度差异的集群。然而,DPC算法仍然存在一些问题:（1）聚合操作存在不足,分配过程不合理,尤其难以聚合密度差异较大且形状不规则的数据集;（2）决策图中聚类中心点难以选择,难以识别中心点;（3）非显著的异常点难以识别。2018年,郝德浩等人结合引力思想,提出基于引力的密度峰值聚类改进算法（GDPC）,解决了DPC算法中决策图聚类中心不明显和异常点识别困难的问题。GDPC算法运用引力理论对DPC算法进行改进,在准确识别聚类中心和异常点方面优势明显。然而,和DPC算法一样,GDPC在聚合过程中仍存在同样问题:分配过程不合理,聚合效果不好,尤其难以聚合密度差异较大且形状不规则的数据集。为有效解决DPC算法和GDPC算法中分配过程的缺陷,本文在原始DPC算法和GDPC算法的优势基础上,分别提出两种改进算法,具体为:改进一、一种基于k近邻的密度峰值聚类算法（DPC-KNN）。算法结合k近邻的思想,对DPC算法的距离计算和分配过程进行改进,提出了DPC-KNN算法,该算法的分配过程更为合理。所以,DPC-KNN在处理一些不规则形状的数据集（例如:Spiral数据集）时比原始的DPC算法更有效;改进二、一种基于逻辑分布和引力的密度峰值聚类算法（DPC-LG）。算法采用logistic分布的概率密度函数改进GDPC算法中的局部密度参数,优化聚合效果。该算法能够合理调整局部密度的顺序,从而有效识别不同密度和不规则形状的数据集,聚类结果表现良好。然而,DPC-LG算法仍存在聚类中心点难以手动选择,极易造成多选或漏选现象,需要研究一种自动确定聚类中心的方法。改进三、一种自动确定聚类中心的基于逻辑分布和引力的密度峰值聚类算法（ADPC-LG）。算法结合正态分布等统计学知识,对聚类中心设定筛选条件,实现了决策图中聚类中心点的自动选择。根据UCI数据集测试结果看,ADPC-LG能够较好处理形状良好的数据集,也能够处理一些形状较为复杂的数据集,能够较好地实现聚类中心点的自动选择,具有更高的准确率。最后,为提高客户细分（聚类）的精准度,降低客户管理成本,本文选用“Global Superstore”消费数据样本,结合RFM模型的基本原理,选取相关属性变量,应用三种改进的DPC算法进行聚类处理。聚类结果表明:DPC-KNN算法聚类效果最佳,更适用于此类数据集。结合聚类结果,可以为企业制定营销策略提供帮助。