随着信息技术的高速发展,各行各业的数据仓库中存储着大量的不完备的数据。如何对这些数据进行分析是近些年来研究的热点。数据挖掘技术是大数据分析的重要工具之一,为数据分析提供了很多优秀算法。DBSCAN算法是数据挖掘中常用的一项聚类技术。因DBSCAN算法是根据数据的局部密度进行聚类的,所以其有着不受噪声点影响和能识别任何形状类的优点。DBSCAN算法过程简单,容易实现。但同样DBSCAN算法也存在着弊端,比如:对参数敏感、在不平衡数据集上聚类效果不理想等。而在各行业的数据仓库中不平衡数据是普遍存在的。首先,本文对密度聚类算法和模糊集中隶属度的概念思想进行了阐述,并对在隶属度基础上提出的K近邻隶属度进行详细介绍。随后对密度聚类算法中常用几种算法进行了比较分析。对DBSCAN算法的缺陷进行了研究与探讨。由于DBSCAN算法使用全局统一参数,导致对不平衡数据聚类时得不到正确个数的类,从而导致聚类质量差。针对DBSCAN算法在不平衡数据集上聚类效果不理想的问题,本文提出了两种改进算法:基于局部参数的DBSCAN算法和基于K近邻隶属的DBSCAN算法。1)基于局部参数的DBSCAN算法通过使用DPC算法将数据集划分成多个不规则的数据区域,每个数据区域的大小和形状随样本的密度特征而定。然后根据每个数据区域的密度为其设置合适的参数进行局部聚类,最后再将数据区域合并成一个数据集,合并的时候需要根据合并条件判断相邻的类是否能合并,并对噪声点重新进行分类。实验结果表明,该算法与其它算法相比较聚类效果较好,特别是在不平衡率过高的数据集中具有较好的聚类效果。2)基于K近邻隶属度的DBSCAN算法是将DBSCAN算法与模糊集理论中的隶属度概念相结合所产生的新算法。该算法在对核心对象邻域内样本进行划分时,需判断核心对象邻域内样本点的K近邻隶属度是否满足要求,若K近邻隶属度小于阈值则不划分到核心对象所在类。聚类完成后,对临时噪声点再次按照邻域半径进行归并。通过在人工和真实数据集上进行对比分析发现,该算法过程简单、代码容易实现,相对于其他算法性能较好,尤其在界限模糊的数据集中和不平衡率一般的数据集中效果更好。