聚类算法作为数据挖掘算法中常用的一类方法正受到越来越多的关注。其中基于密度峰值查找的快速聚类算法CFSFDP（Clustering by fast search and find of density peaks）算法是一种密度型的聚类算法,通过绘制并观察决策图获取密度峰值,将密度峰值点作为聚类中心,再根据聚类中心进行聚类。CFSFDP算法速度快,容易理解并实现,可以探测到不同形状的数据。但是该算法也有两点不足:（1）CFSFDP算法在聚类时由于人为指定截断距离(9₍（8）的缘故,可能会产生多个密度峰值,违背了一个密度峰值对应着一个类簇的聚类中心的算法本意,如果一个类簇出现多个密度峰值,在进行聚合时则会出现一定偏差。（2）聚类中心的选取依赖于算法中生成的决策图,用户通过观察决策图然后人为地挑选出聚类中心。这种方法不仅会中断整个算法流程,使得算法效率降低,同时也可能出现多选或漏选密度峰值的问题。为了应对上述两个问题,本文以CFSFDP算法为基础,提出了一种基于密度和层次的聚类算法。通过引入系统演化算法的聚合判别算法,让改进后的CFSFDP算法先获得初步聚类结果,然后利用判别算法对初步聚合结果以层次聚类的方式再进行二次聚合,将本该归于同一类簇的对象聚合在一起。本文的主要工作如下:1、提出了一种新的基于密度和层次的聚类算法。算法主要分为两个阶段,第一阶段首先用基于密度的CFSFDP算法对数据进行初步的聚类,在得到聚合结果之后,利用引入系统演化算法中的判别算法对结果中的多个类簇进行聚合判别,通过计算类簇间边缘区域的分离度和类簇聚合前后的离散度,从而判断两个类簇能否进行聚合,将应该属于同一类簇的多个小类簇进行聚合。2、提出了一种基于权值差计算的自动获取CFSFDP算法中聚类中心的方法。通过计算数据集中每个点的权值并降序排序,然后计算排序后相邻点的权值差,基于权值差,找到最后一次出现权值较大变化的临界点,将权值比临界点大的点设为聚类中心。同时为了防止数据集中密度不一对聚类中心选取造成的影响,本文设置了多个截断距离,目的是为了尽可能获取多个聚类中心,然后将距离较近的中心合并成一个。3、引入了系统演化算法的聚合判别算法用于层次聚类中类簇的聚合判断。为了提高聚合判别算法的计算效率,本文修改了原算法中对边界区域和次边界区域中点的选取方式,相比原方法减少了比较的次数;通过增加一个最近点距离表,使得算法在求最小平均距离时,同样可以减少一定的比较次数。为了解决原算法不能处理轻微重叠类簇的聚合问题,将计算类簇聚合前后误差平方和的变化率作为补充方法,帮助原算法解决对轻微重叠类簇的聚合判断问题。4、针对CFSFDP算法有时可能会将一个类簇分成两个或多个的问题,本文利用改进后的聚合判别算法,设计了两个链表数组作为类簇的存储结构,依托两个链表数组,通过层次聚类的方式实现对改进后CFSFDP算法聚类结果的二次聚类。5、通过多组实验证明本文提出的新的基于密度和层次的聚类算法相比原算法在准确度上得到了一定的提升,同时针对于多种形状和不同密度分布的数据也有比较好的适应性,最终结果达到了预期的效果。