密度峰值聚类(DPC)算法可以发现任意形状的簇，对噪声具有鲁棒性，因此被广泛应用于各个领域。但DPC算法需要人工选取聚类中心，对于密度不均匀型数据集表现较差。为此，提出一种基于高斯分布的自适应密度峰值聚类算法。首先，计算局部密度和相对距离的乘积θ_i,通过Z-score标准化方法，将θ_i映射到符合高斯分布的二维空间中，利用高斯分布的标准偏差来自适应选取聚类中心，得到聚类中心集合；其次，将其余数据点分配到离其最近的聚类中心所在的簇中，得到初步划分结果；最后，设计缝合因子模型，计算簇间缝合系数，当缝合系数大于阈值时合并初步划分结果中最相似簇并更新相似度矩阵，直至完成合并得到最终结果。在人工数据集和真实数据集上的实验结果表明，与DBSCAN算法、DPC算法和ICKDC算法对比，所提算法的聚类准确度更高，聚类性能更佳。