基于密度的DBSCAN聚類算法可以識別任意形狀簇,但存在全局參數(shù)Eps與Min Pts的選擇需人工干預(yù),采用的區(qū)域查詢方式過程復(fù)雜且易丟失對象等問題,提出了一種改進的參數(shù)自適應(yīng)以及區(qū)域快速查詢的密度聚類算法。根據(jù)KNN分布與數(shù)學(xué)統(tǒng)計分析自適應(yīng)計算出最優(yōu)全局參數(shù)Eps與Min Pts,避免聚類過程中的人工干預(yù),實現(xiàn)了聚類過程的全自動化。通過改進種子代表對象選取方式進行區(qū)域查詢,無需漏檢操作,有效提高了聚類的效率。對4種典型數(shù)據(jù)集的密度聚類實驗結(jié)果表明,本文算法使得聚類精度提高了8.825%,聚類的平均時間減少了0.92 s。