数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。而聚类作为数据挖掘重要的一个分支，具有重要作用。聚类是指将数据集中的样本划分为不同的簇或类，使得簇内的对象具有很高的相似性，但与其他簇中的对象具有相异性。　　k-means是划分方法中最基本的方法，它的优点是操作简便，快速。但是其本身也存在着其它缺点，如k值的不确定性以及初始聚类中心的随机选择性，并且只能发现类球状簇。而基于密度的方法，是根据密度条件对邻近对象分组形成簇，这样的方法可以用来过滤“噪声”或孤立点数据，发现任意形状的簇。针对k-means聚类算法本身具有的k值不确定性以及初始聚类的随机选择性的缺点，本文的主要工作以及创新点如下：　　1.k-means算法的初始聚类中心是随机选取的，会对聚类结果造成误差。在数据集中，初始聚类中心，一般都分布在数据比较密集的区域。通过结合密度的方法，选取高、中密度区域的数据点。此外，以距离和以及绝对比值为约束条件，选取初始聚类中心；　　2.对于密度系数的统计，需要给定 Eps邻域，本文在DBSCAN算法的最优解下对Eps数值进行了加权和求平均值，得到较优的Eps数值；　　3.聚类后，本文根据密度算法中的密度相连概念，处理高密度集和低密度集的数据点，合并小簇，处理低密度区域的数据点，划分噪声点。同样以k-means算法的误差平方和准则函数为准则，得到较优的聚类结果。