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Eps與Min Pts的選擇需人工干預,采用的區域查詢方式過程復雜且易丟失對象等問題,提出了一種改進的參數自適應以及區域快速查詢的密度聚類算法。根據KNN分布與數學統計分析自適應計算出最優全局參數Eps與Min Pts,避免聚類過程中的人工干預,實現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種典型數據集的密度聚類實驗結果表明,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。