聚类算法作为一种数据处理技术，发展迅速，广泛应用于各个领域。作为一种基于密度的聚类方法，通过快速搜索和发现密度峰值（DPC）进行聚类，可以通过有效的样本分配对图像进行分割。然而，DPC算法的聚类结果取决于参数截断距离DC的选择。因此，提出了一种基于信息熵的DPC算法来实现dc的自适应选择。信息熵所反映的信息大小与随机事件的概率呈负相关。发生概率越大，提供的信息就越少。因此，信息熵可以反映事件的不确定性，因此dc可以将信息熵最小化，作为DPC算法的最佳参数。此外，聚类算法的K类数量通常难以确定，而DPC算法的类中心通常由当地密度最大点组成。改进算法根据数字图像各区域的内聚度自适应地确定K的选择阈值。为了有效地将DPC算法应用于图像分割，改进后的算法通过分块和合并解决了DPC算法时间复杂度较大的问题。通过实验比较，改进后的算法具有更准确的聚类效果。在图像分割方面，改进后的算法能够更准确地提取图像分割边缘，更符合GroundTruth的情况。