DBSCAN(Density-based spatial clustering of applicationswith noise)是Martin Ester, Hans-PeterKriegel等人于1996年提出的一种基于密度的聚类方法，聚类前不需要预先指定聚类的个数，生成的簇的个数不定（和数据有关）。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，能有效处理异常数据。
基本概念
算法将数据点分为三类：
核心点：在半径内含有不少于数目的点
边界点：在半径内点的数量小于，但是落在核心点的邻域内
噪音点：既不是核心点也不是边界点的点
在这幅图里，，点 A 和其他红色点是核心点，因为它们的 （图中红色圆圈）里包含最少 4 个点（包括自己），由于它们之间相互相可达，它们形成了一个聚类。
点 B 和点 C 不是核心点，但它们可由 A 经其他核心点可达，所以也和A属于同一个聚类。点 N 是局外点，它既不是核心点，又不由其他点可达。
过程可视化演示：
优缺点
优点：
1. 基于密度定义，能处理任意形状和大小的簇；
2. 可在聚类的同时发现异常点；
3. 与比较起来，不需要输入要划分的聚类个数。
缺点：
1. 对输入参数ε和敏感，确定参数困难；
2. 由于算法中，变量和是全局唯一的，当聚类的密度不均匀时，聚类距离相差很大时，聚类质量差；
3. 当数据量大时，计算密度单元的计算复杂度大。