作为一种新颖的聚类方法，相似性传播（AP）聚类可以通过在数据点之间传递消息来识别高质量的聚类中心。 但是它的最终簇数受用户定义的自信心参数影响。 当由于先验知识而针对给定数量的集群时，必须启动AP多次，直到找到合适的自信心设置为止。 K-AP算法克服了这一缺点通过在消息传递过程中引入约束来利用K簇的即时结果。 K-AP聚类的关键是构建合适的相似度矩阵，该矩阵可以真实反映数据集的内在结构。 本文设计了一种密度自适应相似度量，以更合理地描述数据点之间的关系。 同时，为了解决K-AP算法在高维数据集中