其对类描述性的定义如下：一个高密度区域若被低密度区域分隔开，则此高密度区域为一个类。如图所示，左边是一个数据集，右边是此数据集的概率密度分布估计，那么通过此分布可正确地将数据集划分成两个类。具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）是典型的基于密度的算法。

密度聚类示意图

基于密度的聚类算法包括两个核心的组件，即点密度的估计及高密度区域的判别。DBSCAN用领域内点的数量来估计点的密度，如某点p的密度是以其圆心，epsilon为半径的超球内的点数。若点p的邻域内点的数量超过某个阈值MinPts，则称该点为核心点。若点q在核心点p的邻域内，称从p到q直接密度可达；若从p到q由若干直接密度可达的点对相连，称p到q密度可达；若存在一个点与p、q密度可达，则称p与q密度相连。密度相连的点组成一个高密度区域，即为一个类。此算法需要指定参数epsilon和MinPts，为用户的使用带来困难，且时间复杂度为O()，不适宜用于大数据集的处理。DBSCAN还有另一缺点，由于其参数为全局的，不能处理包含多种密度层次的数据集。OPTICS对DBSCAN的这一缺点进行了改进。

OPTICS（ordering point to identify the cluster structure）是对DBSCAN的一种改进，它对输入参数epsilon与MinPts不敏感。与DBSCAN相比，它定义了另外两个概念：核心距离（core distance）与可达距离（reachability distance），然后将数据点排序，并维持每个数据点的核心距离与可达距离，再从这些信息提取类的结构。